基于深度强化学习的复杂网络关键节点识别
发布时间：2020-12-08 21:09
复杂网络理论广泛应用于商务智能领域,关键节点识别是复杂网络理论研究的核心技术,受到了学术界的高度关注。众多学者针对复杂网络的关键节点识别或节点重要性排序等学术问题进行了深入研究,取得了大量研究成果。但随着人工智能和大数据技术在商务领域深入应用,复杂网络的规模呈指数级增长。传统的关键节点识别方法的准确性和实时性已无法满足现实需求。本文主要研究工作如下:（1）首先在图论的基础上分析了规则网络、随机网络、小世界网络、无标度网络等现有经典的复杂网络演化模型,了解各种模型的统计特性为关键节点的定义与识别奠定基础。（2）研究了传统经典和最新出现的复杂网络的关键节点识别算法。传统经典算法包括度中心性、介数中心性、K-核分解和PageRank算法等,新出现的主要有对于经典算法的改进算法、综合性方法等。基于复杂网络的可靠性与网络的拓扑结构等静态指标将关键节点识别的重要性评价方法分为基于传播动力学方法和基于网络鲁棒性方法。（3）基于复杂网络的可靠性与网络的拓扑结构等静态指标构建复杂网络的关键节点识别算法的评价模型。在对深度强化学习与复杂网络研究应用现状分析的基础上,对深度Q网络与关键节点识别的结合方案进行...
【文章来源】：安徽财经大学安徽省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
技术路线图
基于深度强化学习的复杂网络关键节点识别12图2-1四种类型的网络邻接矩阵是网络的重要表示方法，在很多研究中被广泛使用。网络G可用一个N阶的邻居矩阵组成，表示为()ijNNAa，其中元素ija表示节点iv与节点jv的连接关系：若=0ija，表示节点iv与节点jv之间没有直接相连的边；若=1ija，表示处于无权网络中，节点iv与节点jv之间有边直接相连；若ijijaw，表示处于加权网络中，节点iv与节点jv之间不仅有边直接相连，其连接强度由权值大小决定。可以看出，无权网络的邻接矩阵元素只能为0或1，加权网络连边具有权重导致邻接矩阵的非0元素等于各边权重值。另外，无向网络的邻接矩阵是对称阵，=ijjiaa，有向网络的连边具有方向性导致邻接矩阵不对称。第二节复杂网络的统计特性和基本模型复杂网络中存在着各种各样的规律和特征，对网络隐藏信息的挖掘是广大学者的追求和目标。与网络的四种类型的简单描述不同，随着网络规模和复杂性的进一步提升，需要使用统计学方法对复杂网络的特性进行描述，不同的拓扑特性使得网络系统的功能性质不尽相同。在对复杂网络问题的不断研究探索中，提出了各种复杂网络模型，演化模型的不断变化也是对复杂网络深刻认识的过程。下面对统计特性和基本模型的相关内容进行简述。一、复杂网络的统计特性（一）度与度分布节点的度是最简单的统计指标，可以用ik表示节点iv的度值，计算方式为邻居节点的数量或者说直接与节点iv相连的连边数量。由于有向网络的连边具有方向性，故可将节点的度分为入度和出度，分别用下列两公式表示：
基于深度强化学习的复杂网络关键节点识别15度和聚类系数之间相关性等特征被相继提出。对网络统计特性的学习和理解是复杂网络研究的必要一步，研究关键节点识别方法也需要这些理论作为基矗二、复杂网络的基本演化模型在使用复杂网络对现实中复杂系统的认知研究中，学术界提出了多种多样的复杂网络模型，网络的拓扑结构与功能性质相互作用，通过模型能够有效地对网络的结构特征进行深刻理解，才能更好地使用复杂网络理论达到决策优化、效能提升等现实目的。复杂网络模型的研究是一个跨度很长的过程，大致可归纳为从规则网络、随机网络、小世界网络和无标度网络这样的模型发展历程，学术界至今依然在对此问题进行研究，相继提出各种各样的网络模型对真实网络进行表征。下面对这四种基本演化模型进行介绍。（一）规则网络规则网络模型是学术界最早提出的模型之一，它的构造相对简单，即各节点按照某一固定规则进行连接，这种形式构成的网络中任意节点拥有相同的连接度。常见的规则网络有三种：星形耦合网络（Starcouplednetwork）、最近邻耦合网络（Nearest-neighborcouplednetwork）和全局耦合网络（Globallycouplednetwork），具体拓扑结构见图2-1。(a)星型耦合网络(b)最近邻耦合网络(c)全局耦合网络图2-2三种规则网络（二）随机网络规则网络模型过于理想化，各个节点的统计特性相同显然是不符合客观规律的，随后Erds和Réyni[62]提出了ER随机图模型，标志着随机网络模型的诞生。该网络中任意两点以某一概率进行连接，这是随机网络最大的特点。例如随机网络中有N个节点，节点之间的连接概率为p，则节点的度分布服从二项分布(N1,p)，如下所示。(1)1()(1)kVkVpkppk（2.9）
【参考文献】：
期刊论文
[1]一种权重平均值的深度双Q网络方法[J]. 吴金金,刘全,陈松,闫岩. 计算机研究与发展. 2020(03)
[2]基于深度Q网络的虚拟装配路径规划[J]. 李妍,甄成刚. 计算机工程与设计. 2019(07)
[3]复杂网络与机器学习融合的研究进展[J]. 李泽荃,杨曌,刘嵘,李靖. 计算机应用与软件. 2019(04)
[4]一个具有双线性发生率的随机SIR传染病模型的动力学性质[J]. 李明山,张渝曼,刘秀敏,黄鑫,周效良. 四川师范大学学报(自然科学版). 2019(02)
[5]基于排序优先经验回放的竞争深度Q网络学习[J]. 周瑶瑶,李烨. 计算机应用研究. 2020(02)
[6]一类SIR传染病模型的分岔分析[J]. 李明山,张渝曼,周效良. 四川师范大学学报(自然科学版). 2018(06)
[7]基于深度Q网络学习的机器人端到端控制方法[J]. 张浩杰,苏治宝,苏波. 仪器仪表学报. 2018(10)
[8]一种深度Q网络的改进算法[J]. 夏宗涛,秦进. 计算机应用研究. 2019(12)
[9]一种最大置信上界经验采样的深度Q网络方法[J]. 朱斐,吴文,刘全,伏玉琛. 计算机研究与发展. 2018(08)
[10]基于复杂网络动力学模型的无向加权网络节点重要性评估[J]. 孔江涛,黄健,龚建兴,李尔玉. 物理学报. 2018(09)
硕士论文
[1]基于复杂网络理论的无线传感器网络关键节点识别技术研究[D]. 彭一.西南大学 2015
[2]复杂网络关键节点识别技术研究[D]. 杨汀依.南京理工大学 2011
本文编号：2905690
【文章来源】：安徽财经大学安徽省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
技术路线图
基于深度强化学习的复杂网络关键节点识别12图2-1四种类型的网络邻接矩阵是网络的重要表示方法，在很多研究中被广泛使用。网络G可用一个N阶的邻居矩阵组成，表示为()ijNNAa，其中元素ija表示节点iv与节点jv的连接关系：若=0ija，表示节点iv与节点jv之间没有直接相连的边；若=1ija，表示处于无权网络中，节点iv与节点jv之间有边直接相连；若ijijaw，表示处于加权网络中，节点iv与节点jv之间不仅有边直接相连，其连接强度由权值大小决定。可以看出，无权网络的邻接矩阵元素只能为0或1，加权网络连边具有权重导致邻接矩阵的非0元素等于各边权重值。另外，无向网络的邻接矩阵是对称阵，=ijjiaa，有向网络的连边具有方向性导致邻接矩阵不对称。第二节复杂网络的统计特性和基本模型复杂网络中存在着各种各样的规律和特征，对网络隐藏信息的挖掘是广大学者的追求和目标。与网络的四种类型的简单描述不同，随着网络规模和复杂性的进一步提升，需要使用统计学方法对复杂网络的特性进行描述，不同的拓扑特性使得网络系统的功能性质不尽相同。在对复杂网络问题的不断研究探索中，提出了各种复杂网络模型，演化模型的不断变化也是对复杂网络深刻认识的过程。下面对统计特性和基本模型的相关内容进行简述。一、复杂网络的统计特性（一）度与度分布节点的度是最简单的统计指标，可以用ik表示节点iv的度值，计算方式为邻居节点的数量或者说直接与节点iv相连的连边数量。由于有向网络的连边具有方向性，故可将节点的度分为入度和出度，分别用下列两公式表示：
基于深度强化学习的复杂网络关键节点识别15度和聚类系数之间相关性等特征被相继提出。对网络统计特性的学习和理解是复杂网络研究的必要一步，研究关键节点识别方法也需要这些理论作为基矗二、复杂网络的基本演化模型在使用复杂网络对现实中复杂系统的认知研究中，学术界提出了多种多样的复杂网络模型，网络的拓扑结构与功能性质相互作用，通过模型能够有效地对网络的结构特征进行深刻理解，才能更好地使用复杂网络理论达到决策优化、效能提升等现实目的。复杂网络模型的研究是一个跨度很长的过程，大致可归纳为从规则网络、随机网络、小世界网络和无标度网络这样的模型发展历程，学术界至今依然在对此问题进行研究，相继提出各种各样的网络模型对真实网络进行表征。下面对这四种基本演化模型进行介绍。（一）规则网络规则网络模型是学术界最早提出的模型之一，它的构造相对简单，即各节点按照某一固定规则进行连接，这种形式构成的网络中任意节点拥有相同的连接度。常见的规则网络有三种：星形耦合网络（Starcouplednetwork）、最近邻耦合网络（Nearest-neighborcouplednetwork）和全局耦合网络（Globallycouplednetwork），具体拓扑结构见图2-1。(a)星型耦合网络(b)最近邻耦合网络(c)全局耦合网络图2-2三种规则网络（二）随机网络规则网络模型过于理想化，各个节点的统计特性相同显然是不符合客观规律的，随后Erds和Réyni[62]提出了ER随机图模型，标志着随机网络模型的诞生。该网络中任意两点以某一概率进行连接，这是随机网络最大的特点。例如随机网络中有N个节点，节点之间的连接概率为p，则节点的度分布服从二项分布(N1,p)，如下所示。(1)1()(1)kVkVpkppk（2.9）
【参考文献】：
期刊论文
[1]一种权重平均值的深度双Q网络方法[J]. 吴金金,刘全,陈松,闫岩. 计算机研究与发展. 2020(03)
[2]基于深度Q网络的虚拟装配路径规划[J]. 李妍,甄成刚. 计算机工程与设计. 2019(07)
[3]复杂网络与机器学习融合的研究进展[J]. 李泽荃,杨曌,刘嵘,李靖. 计算机应用与软件. 2019(04)
[4]一个具有双线性发生率的随机SIR传染病模型的动力学性质[J]. 李明山,张渝曼,刘秀敏,黄鑫,周效良. 四川师范大学学报(自然科学版). 2019(02)
[5]基于排序优先经验回放的竞争深度Q网络学习[J]. 周瑶瑶,李烨. 计算机应用研究. 2020(02)
[6]一类SIR传染病模型的分岔分析[J]. 李明山,张渝曼,周效良. 四川师范大学学报(自然科学版). 2018(06)
[7]基于深度Q网络学习的机器人端到端控制方法[J]. 张浩杰,苏治宝,苏波. 仪器仪表学报. 2018(10)
[8]一种深度Q网络的改进算法[J]. 夏宗涛,秦进. 计算机应用研究. 2019(12)
[9]一种最大置信上界经验采样的深度Q网络方法[J]. 朱斐,吴文,刘全,伏玉琛. 计算机研究与发展. 2018(08)
[10]基于复杂网络动力学模型的无向加权网络节点重要性评估[J]. 孔江涛,黄健,龚建兴,李尔玉. 物理学报. 2018(09)
硕士论文
[1]基于复杂网络理论的无线传感器网络关键节点识别技术研究[D]. 彭一.西南大学 2015
[2]复杂网络关键节点识别技术研究[D]. 杨汀依.南京理工大学 2011
本文编号：2905690
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/2905690.html
