[发明专利]基于不确定随机网络的Top‑k节点近邻查询算法

说明书

技术领域

本发明属于不确定随机网络技术领域，涉及不确定随机网络的距离计算方法，尤其是一种基于不确定随机网络的Top-k节点近邻查询算法。

背景技术

在实际生活中，我们会遇到许多非确定的现象。为了研究这类非确定的现象，十七世纪诞生了概率论。概率论基于大量的历史数据，有效解决了很多的统计问题。但是，由于各种原因，我们无法获得足够多的数据，这时，使用概率论解决问题就很难办到。为了解决这类问题，需要使用到不确定理论。

2010年首次提出了不确定随机网络的概念。2013年，高原详细研究了不确定随机网络的最短路问题；2014年，Zhou&Yang&Wang研究了不确定随机网络的最短路径的逆不确定分布问题；Zhou&Chen&Wang给出了不确定随机网络的最小生成树的路径最优条件。

对于一个复杂网络，某些弧的权重可以通过历史数据进行统计分析而得到，而某些弧的权重由于没有历史数据或者历史数据无效，导致不能通过概率统计得到，只能利用专家的经验数据，得到不确定弧的权重的不确定分布函数。

为了解决这类既有随机因素，又有不确定因素的现象，2013年诞生了机会理论。2014年，首次将机会理论引入不确定随机网络，首次提出了不确定随机网络的概念。2015年，盛玉红对不确定随机网络的最短路径问题、最小生成树问题和最大流问题进行了研究，提出了理想机会分布函数的概念并利用理想机会分布函数，求解了上述问题。

关于不确定性数据的Top-k查询问题，学者们提出了各种计算方法，包括U-topK、U-kRanks、PT-k及Global-topK等。而后又出现了基于权值参数的排名函数，实现了排名分值与概率平衡。2016年，郭长友将首次不确定理论应用到不确定数据的Top-k查询计算中。

综上所述，目前在不确定随机网络寻找某点紧邻节点的算法成本过高、效率低等问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、算法成本低且查询效率高的基于不确定随机网络的Top-k节点近邻查询算法。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种基于不确定随机网络的Top-k节点近邻查询算法，包括以下步骤：

步骤1、设定不确定随机网络，选择初始节点p、最近节点个数k和机会测度α；

步骤2、从节点i＝1、节点j＝2开始，计算节点i和节点j之间的所有路径，并将节点i标记为已访问；

步骤3、从集合S中取出非i节点k，若两点间有路径，将节点k标记为已访问；

步骤4、若k＝j，则将所有已访问节点组成的路径放入路径集合D中，回溯至上一个已访问节点，重复执行步骤3；否则，重复执行步骤3；

步骤5、若k>＝n，则j加1，重复步骤2至步骤4，直至j＝n；

步骤6、若j>n，则j减1，i加1，重复步骤2至步骤5，直至i＝n；

步骤7、计算路径集合D中所有路径的机会分布函数；

步骤8、计算当机会测度为α时，节点p到所有节点的路径长度；

步骤9、找到距离节点p最近的k个节点及对应路径。

进一步，所述不确定随机网络为如下四元组G：

G＝(N,U,R,W)

其中，N是节点集合，U是不确定弧的集合，R为随机弧的集合，W为随机权重和不确定权重的集合。

本发明的优点和积极效果是：

本发明设计合理，其将不确定性与随机性结合起来，在给定一个合理的机会测度的情况下，寻找距离某个点最近的k个节点，能够让企业不仅仅解决随机问题，更能解决随机性和不确定性同时存在的不确定随机网络问题，并且能够避免遍历全部路径，节省计算成本，能够帮助企业提高计算效率，避免不必要的计算浪费。

附图说明

图1为带有五个节点的不确定随机网络结构图。

具体实施方式

以下结合附图对本发明实施例做进一步详述：

一种基于不确定随机网络的Top-k节点近邻查询算法，其根据输入条件进行处理并得到输出结果：

输入条件为：不确定随机网络G，初始节点p，最近节点个数k，机会测度α。

输出结果为：当机会测度为α时，与初始节点p最近的k个节点以及对应路径。

本发明的算法按照软件设计方式，包括以下步骤：

步骤1、设定不确定随机网络:

所述不确定随机网络为如下四元组G：

G＝(N,U,R,W)