基于改进TADW的链路预测算法

针对经典的节点相似性链路预测算法只考虑网络拓扑结构或者节点属性信息的问题,使用词嵌入模型Word2vec学习得到节点文本属性信息的表示,进而改进TADW(text-associated deep walk)算法,弥补其语义信息表示能力的不足.基于改进的TADW图嵌入方法提出一种融合网络拓扑结构和节点属性信息的相似性指标,并基于此相似性指标提出链路预测算法.在三个真实数据集上的实验结果表明所提出算法可以提高预测精度,并具有更好的鲁棒性,同时使用图嵌入的方法有效解决了网络数据的稀疏性问题.     

基于热传导的随机游走链路预测算法的分析与研究

通过观察现有链路预测算法在社交网络推荐系统中的表现,我们发现一些预测算法不能很好的满足特定网络的需求.受现有链路预测算法的启发,本文提出了一种基于热传导的随机游走链路预测算法,算法中加入了基础节点,使得算法效率更高.实验结果表明,基于热传导的随机游走链路预测算法在社交网络推荐系统中的表现优于基于节点相似性的链路预测算法.     

一种基于MH改进的重启随机游走链路预测算法

基本随机游走相似性指标由于其转移概率仅由当前节点的度决定,影响链路预测效果.鉴于此,在MH (Metropolis-Hasting)算法的基础上,充分利用邻居节点的度信息,并采用将当前节点的自环率按邻居节点的度值加权分配给邻居节点的方法重构转移概率矩阵,再融合重启随机游走(Random Walk with Restart,RWR)相似性指标,提出一种改进MH的链路预测算法.首先,根据当前节点与邻居节点的度信息重新定义节点间的转移概率;然后,将新的转移概率重构成概率矩阵;最后,融合RWR相似性指标进行链路预测实验.结果表明,新算法相较于RWR、CN (Common Neighbors)等7种基准算法在AUC指标上均有提升,在排序分指标上也有所改善;AUC指标上最高可提升3.98%,排序分指标上最高下降1.92%,提升了链路预测的准确性.     

基于测距和自学习粒子群算法的WSN节点定位

针对WSN中现有节点定位方法具有的定位精度不高的缺点,提出了一种基于RSSI测距和改进量子粒子群算法的节点定位方法。首先,描述了基于RSSI接收信号强度指示的节点定位原理,在此基础上,采用最小二乘法估算节点位置进行节点粗定位。然后,定义了一种基于改进量子粒子群算法的节点定位算法进行节点终定位,为了提高算法的全局收敛能力,在每个粒子中放置学习自动机,使得粒子具有自学习能力,在量子可行空间中自适应地选择对应的动作。最后,通过仿真实验对所提方法进行验证。实验结果表明:文中方法能较为精确地进行节点定位,与其他方法相比,具有测距误差和定位误差小的优点,具有一定的优越性。     

基于测距和自学习粒子群算法的WSN节点定位

针对WSN中现有节点定位方法具有的定位精度不高的缺点,提出了一种基于RSSI测距和改进量子粒子群算法的节点定位方法。首先,描述了基于RSSI接收信号强度指示的节点定位原理,在此基础上,采用最小二乘法估算节点位置进行节点粗定位。然后,定义了一种基于改进量子粒子群算法的节点定位算法进行节点终定位,为了提高算法的全局收敛能力,在每个粒子中放置学习自动机,使得粒子具有自学习能力,在量子可行空间中自适应地选择对应的动作。最后,通过仿真实验对所提方法进行验证。实验结果表明:文中方法能较为精确地进行节点定位,与其他方法相比,具有测距误差和定位误差小的优点,具有一定的优越性。
     

量子K-近邻算法

为了提高经典K-近邻算法的效率,引入量子计算理论,将Grover算法中的Oracle算子以及相位估计算法嵌入经典K-近邻算法,提出一种量子K-近邻算法.该算法首先将样本点和待分类点的向量信息制备成量子叠加态,采用可逆的量子控制交换门并行计算待分类点和样本点的相似度,然后利用相位估计算法将相似度信息存储到量子比特中,最后使用Grover算法一次性搜索出最相似的k个点.对嵌入的量子计算部分的理论分析结果表明,量子K-近邻算法可以明显降低经典计算复杂度,且提出的算法在已有算法计算复杂度O(RkM)的基础上,再次带来了k值的二次加速O(RkM),其中R为Oracle算子的执行次数,M为样本全局个数.     

基于混沌-量子粒子群的分簇路由算法

针对粒子群分簇路由优化算法存在的收敛速度慢、 易陷入局部最优等问题, 提出一种混沌-量子粒子群 的双子粒子群分簇路由算法。 该算法以簇头的能量、 簇头与汇聚节点的距离以及与簇内成员节点的距离构造 最优簇头的代价函数, 主粒子群利用混沌粒子群寻优, 辅粒子群利用量子粒子群寻优, 加入量子波动理论, 使 算法具有较好的全局收敛性。 双子粒子群采用收敛速度快的凹函数递减策略优化权重。 仿真结果验证了该算 法可使无线传感网络节点能量消耗均衡化, 显著延长网络生命周期, 与 LEACH(Low-Energy Adaptive Clustering Hierarchy)协议、 PSO-C(Cluster setup using Particle Swarm Optimization algorithm)协议相比生命周期分别延长了 80. 1%和 41. 4%。     

一种改进的代价敏感型链路预测算法

为解决因网络数据分布不均匀性而造成的链路预测问题,提出一种改进的代价敏感型链路预测算法(Link Boost).设计一种有监督链路预测可变代价损失函数,该函数对低节点度有链路节点对出现分类错误时的惩罚大于高节点度有链路节点对,解决了节点度的分布偏差.考虑到以损失函数优化为目标的链路预测算法将导致社区内预测链路数量大于社区间的链路数量,进而设计一种Boosting算法来实现损失函数最小化.通过将网络分为多个分区,并对各个分区构建的弱学习器进行融合,提高了算法的可伸缩性.利用4个真实网络数据集进行性能评估.研究结果表明:Link Boost算法的性能与许多当前算法的性能相当或者优于当前算法.     

WSN中一种平衡节点能耗的分簇算法研究

针对无线传感器网络(WSN)中能量消耗和节点死亡过高的问题,在分析LEACH-C集中式分簇算法的基础上,提出了一种基于量子行为粒子群优化的WSN分簇算法.考虑到模拟退火算法在执行算法过程中的复杂性,利用具有全局搜索能力和收敛速度快等特点的量子行为粒子群优化算法,代替模拟退火算法对LEACH-C分簇算法中簇头的选取进行优化.通过MATLAB仿真分析,改进后的算法有效延长了传感器节点的生命,平衡了各节点的能量,提高了WSN的整体性能.     

基于佳点集构造的改进量子粒子群优化算法

针对粒子群优化算法易出现早熟收敛及局部搜索能力不足的特点,提出一种改进的量子粒子群优化算法(IQPSO).该算法在量子粒子群优化算法(QPSO)的基础上,引入佳点集初始化量子的初始角位置,提高初始种群的遍历性;在粒子角速度位置更新中,采用混沌时间序列数,促使粒子跳出局部极值点;为避免粒子陷入早熟收敛,在算法中加入变异处理.仿真实验结果表明:与标准粒子群优化(SPSO)算法和量子粒子群优化(QPSO)算法比较,提出的算法具有快速的收敛能力、良好的稳定性,其优化性能有较明显的提高.     

基于MQPSO优化的属性约简方法

变异量子粒子群算法(MQPSO)通过在量子粒子群算法(QPSO)中引入变异机制,增加了全局搜索能力,避免陷入局部最优。在粗糙集理论和MQPSO算法基础上,提出了基于MQPSO优化的决策表属性约简方法,并在算法实现中提出了迭代记录策略,改进了算法中的耗时计算部分,降低了算法的时间复杂度。     

基于路径相互关注的网络嵌入算法

网络嵌入,或者称为网络表示学习,旨在将网络中的节点映射到表示空间中,生成低维稠密的向量,从而在保留网络结构信息的前提下对网络中的节点进行表示,而后通过已有的机器学习方法解决诸如链接预测、节点分类、社团发现和网络可视化等下游任务.随机游走算法可以很好地探索网络中节点的局部结构,然而之前的基于随机游走的表示学习算法只能为节点产生一种角色嵌入,没有考虑到和不同邻居进行交互时节点扮演的不同角色嵌入.因此,提出一种基于路径相互关注的网络嵌入算法,使用节点随机游走产生的上下文信息,通过注意力机制为每个节点生成上下文相互关注的节点嵌入.在真实数据集上的实验结果表明,与三个经典的网络嵌入算法相比,该算法具有更好的表现.     

基于量子粒子群-径向基神经网络模型的风速预测

风速预测对风电场和电力系统的运行都具有重要意义.为了提高风速预测的精度,提出了一种基于量子粒子群-径向基神经网络模型,在确定网络隐含层节点数后,将RBF网络的参数编码成优化算法中的粒子个体进行优化,在全局空间搜索最优适应值的参数.用优化后的神经网络进行风速预测,实例结果表明该算法在预测速度和精度上都得到了提高.     

变速率线性广播网络编码的通用全局编码核构造算法

针对单源有向无圈网络中,当信源速率变化时,线性广播网络编码需重新构造链路的全局编码核和非源节点的局部编码核问题.提出通用全局编码核的概念,并给出通用全局编码核的构造算法.利用该算法,以信源最大可行速率构造出各链路的通用全局编码核.当信源速率变化时,各链路的全局编码核可由通用全局编码核进行简单变形而直接导出,且非源节点的局部编码核无需改变.这样既保持了现有算法构造的各非源节点的局部编码核适用于不同速率的优点,又能方便地得到各链路对应于不同速率的全局编码核.最后基于线性信息流理论,对该算法的时间复杂度和记忆复杂度进行了论证,相对于基于递归向量构造全局编码核的编码算法,该算法的时间复杂度和记忆复杂度均大大降低.     

基于聚类系数和节点中心性的链路预测算法

目前复杂网络领域受到越来越多人的广泛关注.其中链路预测是复杂网络研究中的一个热门的分支,被作为预测缺失链路和识别虚假链路的有效手段.传统基于相似性的复杂网络链路预测主要考虑每个节点的某个相似性指标,而该文提出一种基于聚类系数和节点中心性(CCNC)的链路预测算法,将度、聚类系数和节点中心性3个相似度指标结合,引入到复杂...     

基于概率感知模型和量子粒子群算法的移动节点部署

为了解决监测区域的传感器节点部署问题,设计了一种基于概率感知模型和量子粒子群算法的移动节点部署方法。首先,在 传 统 概 率 感 知 模 型 中 加 入 节 点 剩 余 能 量 因 素 进 而 得 到 改 进 的 概 率 感 知 模 型 * ,然后基于改进的概率感知模型设计了多目标优化的节点部署模型,在优化模型中考虑了网络覆盖率和能量因素。最后定义了基于量子粒子群算法来获得节点的最优位置对应的Pareto最优解的优化算法(即将粒子编码为节点部署方案,采用最小化网络能耗和最大化网络覆盖率为粒子的Pareto目标,引导粒子在可行解空间不断更新位置寻求最优解)。仿真实验结果表明:文中方法能正确地实现监测区域的传感器节点部署,能实现较为均匀的网络覆盖,与其他方法相比,具有较高的网络覆盖率和较长的网络生命周期,具有较大的优越性。(注：*处代表公式)
     

时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题，将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题，提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP，并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性，并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.     

一种基于相对熵的随机游走相似性度量模型

针对基于随机游走的节点相似性度量模型中存在的大度节点依赖问题,从信息论的角度提出了一种改进的随机游走节点相似性度量方法:基于相对熵的随机游走相似性度量方法RE-model(A random walk similarity measure model based on Relative Entropy).首先根据随机游走模型得到网络中节点的转移概率向量,再计算两个节点转移概率向量的相对熵得到该节点对的相似性.由于转移概率向量给出了从一个特定节点出发经过多步随机游走后到达网络其他所有节点的概率,导致网络中的每个节点在计算相对熵的过程中都被等同看待,并且网络规模的增大会使计算得到的节点间相似性耗时更多且存在较大偏差.根据节点经过多步随机游走后到达网络中影响力较大的节点的转移概率来构造该节点的转移概率分布,计算两个节点的转移概率分布的相对熵以得到网络中节点对之间的差异分数,进而得到网络节点间的相似性矩阵. RE-model度量方法降低了传统随机游走相似性度量对于大度节点的依赖性.通过在真实网络数据集上的实验表明,RE-model算法在对称性、网络传播及社区发现等方面表现良好.     

基于图嵌入法的时序网络链路预测研究

时序网络因为其复杂的动态结构和非线性拓扑特征,一直都是复杂网络和链路预测研究的重点.因为网络结构会动态变化从而导致常用的基于静态网络的方法不再高效适用.本文基于图嵌入方法,提出了一种适用于时序网络的链路预测算法,其核心是改进链路预测中粒子的随机游走过程,使其基于网络结构特征进行有偏向转移.其次,考虑到时序网络中历史信息的影响,在有偏向转移的基础上定义一种粒子的全局转移概率,这种转移概率重点计算最近时刻的信息同时也会考虑历史信息.经过实验例证,本文提出的方法较传统基准指标有较大的提升.     

一个有效的时延约束最小代价多播路由算法

基于时延约束多播路由问题考虑链路代价,提出一种新的时延约束最小代价路径(DCM-CA)算法,作为搜寻节点间最短路径的算法;在此基础上又改进了基于代价-时延比率(CDR)函数的有效中心节点选择算法;基于CBT树,应用上述2种算法提出一种基于中心选择的时延约束最小代价多播路由(CS-DCMCMR)算法,该算法在搜寻路径和中心节点选择的问题上同时考虑路径的时延和代价。仿真证明CS-DCMCMR算法的时间复杂度为O(mlogn),与CSDVC算法和CCLDA算法相比,该算法在没有增加复杂度和满足时延及时延抖动约束的条件下,较大程度地减小了最终多播树的总代价。