面向结构模糊的大规模复杂网络社区发现方法研究
发布时间：2022-02-19 03:34
对社区结构的研究能深入了解复杂网络,同时也能挖掘复杂网络潜藏功能。但随着信息发展,复杂网络规模越发庞大,网络的伸缩性使复杂网络结构变得模糊,这导致社区发现算法在处理具有模糊结构大规模复杂网络问题时难以达到满意的效果。本文针对现有社区发现算法在大规模复杂网络存在计算效率低下和在具有模糊结构的复杂网络中社区发现精度降低的问题,提出了两种改进方法。主要研究内容如下:（1）为了解决现有社区发现算法在大规模复杂网络社区发现中存在计算精度和计算效率偏低的问题,提出一种基于谱聚类的多目标社区发现算法（SMOEA）。首先,使用谱聚类算法处理编码后的复杂网络,借助谱聚类的子图划分特性充分利用节点和边的信息,提高多目标社区发现算法中初始种群的质量。其次,利用多目标社区发现算法寻找非支配解集,从而得到较优的解。在多目标粒子群算法的进化过程中采用一种网格约简的数据归减方法对种群进行约减,提高算法的计算效率,使其能够完成较大规模的复杂网络社区发现问题。在人工网络和9个真实网络上的实验结果表明,该算法在社区发现性能和计算复杂度方面,都要优于MRMOEA、RMOEA和MCMOEA三种代表性的基于多目标的社区发现算法...
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究目的和意义
1.2 复杂网络
1.2.1 概念
1.2.2 复杂网络的表示
1.2.3 复杂网络的特性
1.3 社区发现
1.3.1 社区结构
1.3.2 评价指标
1.4 社区发现算法的研究现状与存在的不足
1.5 本文研究的主要内容
第2章 基于谱聚类的多目标社区发现算法
2.1 引言
2.2 相关工作
2.2.1 多目标社区发现问题
2.2.2 多目标进化算法简介
2.2.3 谱聚类算法
2.3 基于谱聚类的多目标社区发现算法
2.3.1 基于谱聚类的初始种群生成
2.3.2 数据归减策略
2.3.3 算法的步骤
2.3.4 算法复杂度
2.4 实验结果
2.4.1 实验设置
2.4.2 人工网络上的实验
2.4.3 真实网络上的实验
2.5 本章小结
第3章 基于结构增强的极大团社区发现算法
3.1 引言
3.2 相关工作
3.2.1 基于拓扑结构图的社区发现算法
3.2.2 网络中的团结构
3.3 基于结构增强的极大团社区发现算法
3.3.1 社区结构增强
3.3.2 极大团发现算法
3.3.3 算法整体流程与复杂度分析
3.3.4 算法并行化
3.4 实验结果
3.4.1 实验参数设置
3.4.2 人工网络上的实验
3.4.3 真实网络上的实验
3.4.4 并行算法和原算法实验对比
3.5 本章小结
第4章 总结与展望
4.1 工作总结
4.2 未来展望
参考文献
读研期间参加的科研项目和研究成果
攻读硕士学位期间参加的科研项目
攻读硕士学位期间的研究成果
致谢
【参考文献】：
期刊论文
[1]节点不对称转移概率的网络社区发现算法[J]. 许平华,胡文斌,邱振宇,聂聪,唐传慧,高旷,刘中舟. 软件学报. 2019(12)
[2]一种新的基于标签传播的复杂网络重叠社区识别算法[J]. 邓琨,李文平,陈丽,刘星妍. 控制与决策. 2020(11)
[3]基于重要度贡献的无标度网络节点评估方法[J]. 尹荣荣,尹学良,崔梦頔,徐英函. 软件学报. 2019(06)
[4]A branching heuristic for SAT solvers based on complete implication graphs[J]. Fan XIAO,Chu-Min LI,Mao LUO,Felip MANYA,Zhipeng Lü,Yu LI. Science China（Information Sciences）. 2019(07)
[5]基于改进GN算法的程序控制流图划分方法[J]. 马锐,高浩然,窦伯文,王夏菁,胡昌振. 清华大学学报(自然科学版). 2019(01)
[6]一种基于标签传播的两阶段社区发现算法[J]. 郑文萍,车晨浩,钱宇华,王杰. 计算机研究与发展. 2018(09)
[7]随机图中k-独立集的相变性质[J]. 卢友军,许道云. 计算机研究与发展. 2017(12)
[8]复杂社会网络的两阶段社区发现算法[J]. 龙浩,汪浩. 小型微型计算机系统. 2016(04)
[9]大规模复杂网络社区并行发现算法[J]. 乔少杰,郭俊,韩楠,张小松,元昌安,唐常杰. 计算机学报. 2017(03)
[10]社交网络中FN算法结果的后处理研究[J]. 倪涵,白清源. 计算机科学. 2015(06)
博士论文
[1]复杂网络中社区结构发现算法研究及建模[D]. 杜楠.北京邮电大学 2009
硕士论文
[1]PAES多目标优化算法及其应用研究[D]. 张自如.兰州理工大学 2012
本文编号：3632133
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究目的和意义
1.2 复杂网络
1.2.1 概念
1.2.2 复杂网络的表示
1.2.3 复杂网络的特性
1.3 社区发现
1.3.1 社区结构
1.3.2 评价指标
1.4 社区发现算法的研究现状与存在的不足
1.5 本文研究的主要内容
第2章 基于谱聚类的多目标社区发现算法
2.1 引言
2.2 相关工作
2.2.1 多目标社区发现问题
2.2.2 多目标进化算法简介
2.2.3 谱聚类算法
2.3 基于谱聚类的多目标社区发现算法
2.3.1 基于谱聚类的初始种群生成
2.3.2 数据归减策略
2.3.3 算法的步骤
2.3.4 算法复杂度
2.4 实验结果
2.4.1 实验设置
2.4.2 人工网络上的实验
2.4.3 真实网络上的实验
2.5 本章小结
第3章 基于结构增强的极大团社区发现算法
3.1 引言
3.2 相关工作
3.2.1 基于拓扑结构图的社区发现算法
3.2.2 网络中的团结构
3.3 基于结构增强的极大团社区发现算法
3.3.1 社区结构增强
3.3.2 极大团发现算法
3.3.3 算法整体流程与复杂度分析
3.3.4 算法并行化
3.4 实验结果
3.4.1 实验参数设置
3.4.2 人工网络上的实验
3.4.3 真实网络上的实验
3.4.4 并行算法和原算法实验对比
3.5 本章小结
第4章 总结与展望
4.1 工作总结
4.2 未来展望
参考文献
读研期间参加的科研项目和研究成果
攻读硕士学位期间参加的科研项目
攻读硕士学位期间的研究成果
致谢
【参考文献】：
期刊论文
[1]节点不对称转移概率的网络社区发现算法[J]. 许平华,胡文斌,邱振宇,聂聪,唐传慧,高旷,刘中舟. 软件学报. 2019(12)
[2]一种新的基于标签传播的复杂网络重叠社区识别算法[J]. 邓琨,李文平,陈丽,刘星妍. 控制与决策. 2020(11)
[3]基于重要度贡献的无标度网络节点评估方法[J]. 尹荣荣,尹学良,崔梦頔,徐英函. 软件学报. 2019(06)
[4]A branching heuristic for SAT solvers based on complete implication graphs[J]. Fan XIAO,Chu-Min LI,Mao LUO,Felip MANYA,Zhipeng Lü,Yu LI. Science China（Information Sciences）. 2019(07)
[5]基于改进GN算法的程序控制流图划分方法[J]. 马锐,高浩然,窦伯文,王夏菁,胡昌振. 清华大学学报(自然科学版). 2019(01)
[6]一种基于标签传播的两阶段社区发现算法[J]. 郑文萍,车晨浩,钱宇华,王杰. 计算机研究与发展. 2018(09)
[7]随机图中k-独立集的相变性质[J]. 卢友军,许道云. 计算机研究与发展. 2017(12)
[8]复杂社会网络的两阶段社区发现算法[J]. 龙浩,汪浩. 小型微型计算机系统. 2016(04)
[9]大规模复杂网络社区并行发现算法[J]. 乔少杰,郭俊,韩楠,张小松,元昌安,唐常杰. 计算机学报. 2017(03)
[10]社交网络中FN算法结果的后处理研究[J]. 倪涵,白清源. 计算机科学. 2015(06)
博士论文
[1]复杂网络中社区结构发现算法研究及建模[D]. 杜楠.北京邮电大学 2009
硕士论文
[1]PAES多目标优化算法及其应用研究[D]. 张自如.兰州理工大学 2012
本文编号：3632133
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3632133.html
