復雜網絡社區(qū)檢測的種群增量學習算法研究.pdf

1、近年來,復雜網絡受到了越來越多的科學研究者的關注,研究內容不僅包含復雜網絡的小世界特性和無標度等特性,也包含近年來受到越來越多關注的社區(qū)結構特性。所謂社區(qū),就是網絡中節(jié)點的集合,其內部節(jié)點之間的鏈接比較緊密,而和網絡中其它節(jié)點的鏈接相對稀疏。復雜網絡社區(qū)結構的研究具有十分重要的理論意義和廣泛的應用前景,通過研究網絡的拓撲結構,可以發(fā)現(xiàn)網絡的功能,挖掘出網絡的隱藏規(guī)律。
　　基于種群的增量學習算法是一種將進化過程視為學習過程的算法,

2、用學習所獲取的知識—學習概率來指導產生后代。這種概率是整個進化過程的信息積累,用它指導產生的后代將會更優(yōu)生,因而能獲得更快的收斂速度及更優(yōu)的結果。這種算法是將機器學習和進化算法結合起來形成的新的有效的算法,將進化過程產生的信息進行機器學習處理,并將結果反饋到進化過程中,從而實現(xiàn)更好的指導進化過程,并以更快的速度取得更好的結果。本文所做的主要工作就是深刻理解復雜網絡社區(qū)檢測問題,并將PBIL算法應用來解決復雜網絡中的社區(qū)檢測問題。本文所做

3、主要工作如下:
　　(1)提出了競爭優(yōu)化學習算法,該算法是在原有的隨機競爭學習算法的基礎上加入了優(yōu)化方法,并對原有的隨機競爭學習算法過程中出現(xiàn)的粒子的混亂移動進行指導和局部優(yōu)化,從而構建出更加合理的復雜網絡社區(qū)解決方案,檢測的結果更加準確。
　　(2)提出了PBIL-NET算法,該算法將基于二進制編碼的PBIL算法作適當?shù)母倪M,使之能直接使用任意整數(shù)編碼,從而可以把網絡中節(jié)點的鄰居進行編碼加入到種群的個體之中,也就構成了PB

4、IL應用在復雜網絡社區(qū)檢測上的前提條件。該算法將函數(shù)優(yōu)化解決復雜網絡社區(qū)檢測的原理和PBIL的算法原理結合起來,并使用社區(qū)函數(shù)(community score)作為優(yōu)化函數(shù),可以避免陷入使用模塊度作為優(yōu)化函數(shù)的分辨率限制問題。
　　(3)提出了多目標PBIL算法,并將其應用在復雜網絡社區(qū)檢測問題上。該算法將多目標進化算法的思想和競爭學習算法結合起來,通過加入多目標算法的思想,增強了算法探索變量空間尋找最優(yōu)解的能力,可以檢測出更加準