[发明专利]基于分解的局部搜索多目标复杂动态网络社区划分方法

摘要

本发明公开了一种基于分解的局部搜索多目标动态网络社区划分方法，主要解决现有技术在处理复杂动态网络时得到社区划分准确性不高的问题。其实现步骤为：(1)确定目标函数；(2)构造初始解种群，采用邻域实数编码方法对解种群中的个体进行初始化；(3)依次对解种群中个体进行选择、交叉变异操作得到子代个体；(4)利用子代个体更新解种群；(5)局部搜索更新解种群；(6)判断是否终止：如果迭代次数满足预先设定次数，则执行(7)，否则转步骤(3)；(7)根据模块密度最大原则，选出最佳社区划分解。本发明能同时优化两个目标函数，实现了社区划分与社区演化的同步分析，提高了社区划分的准确性，可用于解决复杂动态网络中社区结构检测问题。

主权项

一种基于分解的局部搜索多目标复杂动态网络社区划分方法，其特征在于所述方法包括下列步骤：(1)输入目标动态网络：DN＝{G1，…，Gt，…GT}，其中DN表示由T个时间段网络组成的一个动态网络序列，Gt表示t时间段上的网络，t∈(1，…，T)，T为时间段总数；(2)初始化：将网络G1中社区结构检测看作是一个单目标优化问题，利用基于密母计算的网络社区结构检测方法找到初始时间段上网络的社区划分CR1；(3)构建归一化互信息函数NMI和模块度函数Q，作为目标函数：3a)建立t时间段上网络社区划分与t‑1时间段上网络社区划分之间的归一化互信息函数NMI： NMI ( A , B ) = - 2 Σ i = 1 C A Σ j = 1 C B C ij log ( C ij N / C i . C . j ) Σ i = 1 C A C i . log ( C i . / N ) + Σ j = 1 C B C . j log ( C . j / N ) , 其中，A和B分别表示t和t‑1两个时间段上网络的社区划分，CA是指划分A中模块数，CB是指划分B中模块数，Cij是指划分A中模块i与划分B中模块j共有的节点数目，C是Cij的混合矩阵，Ci是指C中第i行的元素和，Cj是指C中第j列的元素和，N是网络中节点总数；3b)建立t时间段上网络社区划分的模块度函数Q： Q = Σ i = 1 k [ l i m - ( d i 2 m ) 2 ] , 其中，k为社区划分模块数，li为模块i中节点间连接边的总数，di为模块i中各节点度的总和，m为网络中边的总数；(4)优化目标函数：4a)利用切比雪夫数学分解方法将步骤(3)中两个目标函数分别分解为N个单目标子函数；4b)构造初始解种群：采用邻接点实数编码方法生成初始解种群，并在初始解种群中给每个单目标函数分配一个解个体作为它的解，设定种群进化终止代数gen；4c)选择父代个体：从解种群中选择两个父代个体，一个为第i个单目标函数对应的解个体，另一个是从解种群中随机选择一个解个体；4d)交叉变异：对选择的两个父代个体进行均匀交叉操作，得到一个子个体，对子个体进行邻域变异操作，得到一个新子代；4e)更新第i个单目标子函数解个体对应的子种群：根据各单目标子函数中权值参数之间欧式距离最小原则，给第i个单目标子函数解个体构造一个个体数目为M的子种群，利用新子代更新第i个子函数解个体对应的子种群；4f)重复步骤4c)‑步骤4e)，直到N个子函数都被执行完毕，得到解种群{X1，...，XN}；4g)局部搜索：从解种群{X1，...，XN}中选择模块密度值最大的一个解个体，利用邻域局部搜索方法对模块密度值最大的解个体进行局部搜索操作，得到局部最优解个体，用局部最优解个体更新模块密度值最大的解个体对应的子种群，得到改进的解种群{X1，...，XN}；4h)判断是否终止：如果种群进化终止代数满足预先设定的代数gen，则执行(5)，否则，重复步骤4c)‑步骤4g)；(5)选择最佳的社区划分：从步骤4g)得到的改进解种群{X1，...，XN}中选择模块密度值最大的解个体作为最优解，并通过解码得到t时间段上网络社区划分CRt；(6)如果t＝T，输出网络社区划分序列{CR1，CR2，...，CRT}，否则，t＝t+1，返回步骤(3)。