[发明专利]基于M精英协同进化策略的网络社区检测方法

说明书

技术领域

本发明属于计算机网络技术领域，更进一步涉及人工智能技术领域的基于M精英协同进化策略的社区网络检测方法。本发明通过将扩展模块密度函数作为适应度函数，引入M精英协同进化算法，找到现实网络中的不同分辨率的社区结构，具有较高的收敛速度和稳定性。本发明可用于解决网络中的社区结构检测问题。

背景技术

现实世界的很多复杂系统都可以表示为网络，如万维网，电力网，生物网络和社交网络等。除了小世界效应，无标度等网络属性外，社区结构是复杂网络结构中另外一个重要属性。社区是指网络中相似度较高或相互连接紧密的节点的集合。对现实世界中网络的这种社区结构分析具有重要的指导意义：在社交网络中，社区结构可以帮助分析人与人之间的人际关系；在大规模集成电路中，社区结构可以帮助我们分析电路的功能，并进一步优化电路布图；在分子生物学中，社区结构可以帮助我们分析蛋白质结构并预测其功能。目前复杂网络社区结构检测已被广泛应用于新陈代谢网络分析、蛋白质交互网络分析等各种生物网络分析以及Web社区挖掘等众多领域。

目前，已存在多种复杂网络社区检测方法，按照所采取的基本求解策略，可以归纳为两大类：基于优化的方法和启发式方法。前者将复杂网络社区检测问题转化为优化问题，通过最优化预定义的目标函数来计算复杂网络的社区结构，后者将复杂网络社区检测问题转化为预定义启发式规则的设计问题。

重庆邮电大学在其申请的专利“一种分布式机会网络社区划分方法”（专利申请号201210178330.0，公开号CN102685255A）中公开了一种分布式机会网络社区结构的划分方法，该方法通过网络社区节点的运动周期特性和相遇历史信息，提高了机会网络社区划分的准确性，但不能以不同分辨率分析网络结构。

西安电子科技大学在其申请的专利“基于密母计算的网络社区结构检测方法”（专利申请号201110366154.9，公开号CN102521649A）中公开了一种利用密母算法解决复杂网络结构检测的方法。该方法将扩展的模块度密度作为适应度函数，从而以不同分辨率分析网络结构，并通过引入局部搜索加快收敛速度，但是该方法的不足是虽然加快了收敛速度但却容易陷入局部最优，导致该方法鲁棒性较差。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于M精英协同进化策略社区网络结构检测方法。本发明通过将扩展模块密度函数作为适应度函数，引入模拟退火法作为局部检测策略，以解决现有网络社区结构检测方法中的分辨率限制、鲁棒性差、易陷入局部最优等缺点，提高了网络社区检测的准确度。

本发明的具体实施步骤如下：

(1)载入网络数据：

构造网络的邻接矩阵A(N*N)，N为网络中节点的数目，若网络社区节点i与网络社区节点j有连接时，邻接矩阵中的元素a_ij=1；若网络社区节点i与网络社区节点j无连接，则a_ij=0。

(2)初始化网络社区种群：

采用直接编码方式，随机生成N个不超过网络社区节点数目的整数数值，将这些整数数值分别标记给每条染色体上的S个基因位；重复以上操作，直至得到W条染色体，每条染色体代表一种网络社区划分，将W条染色体组成网络社区种群θ。

(3)划分网络社区种群：

3a)通过适应度函数，计算网络社区种群θ中每个网络社区划分的适应度值；

3b)将网络社区种群中所有网络社区划分的适应度值由高到低进行排序，将排序中前40%的适应度值对应的网络社区划分划为精英网络社区种群，剩余部分划为普通网络社区种群。

(4)组建网络社区团队：

将精英网络社区种群中的每个网络社区划分设定为基础网络社区划分，分别将每个基础网络社区划分与普通网络社区种群中的网络社区划分组建网络社区团队，每个网络社区团队中网络社区划分的数目如下：

其中，G表示每个网络社区团队中网络社区划分的数目，表示向上取整数个网络社区划分操作，W表示精英网络社区种群与普通网络社区种群的总规模，M表示网络社区团队的数目。

(5)检测候选网络社区划分：

5a)对每个网络社区团队在(0,1)区间内随机生成一个随机概率p，当随机概率p大于0.5时，在精英网络社区种群中随机选择一个网络社区划分B，执行步骤5b)；当随机概率p小于0.5时，在普通网络社区种群中随机选择一个网络社区划分C，执行步骤5c)。

5b)通过对当前网络社区团队的基础网络社区划分E和网络社区划分B进行协作操作，检测得到网络社区划分δ；