[发明专利]基于NSGA2算法的社交网络中种子节点的选择方法

摘要

本发明公开了一种基于NSGA2算法的社交网络中种子节点的选择方法，包括1、根据社交网络中节点数量确定所需种子节点数量，确定种子节点的约束条件，构建NSGA2算法目标函数；2、在NSGA2算法中对该社交网络的节点进行初始化，构建初始染色体；3、对初始染色体进行排序、选择、交叉和变异操作产生新的子代染色体；4、从子代染色体中提取种子节点代入wvRN算法中进行多标签预测，得到预测精度；5、重复步骤3进行N代得到最优染色体后停止算法；6、从最优染色体中获取最终种子节点集。本发明利用得到的最优种子节点集不仅能较好地完成设定目标需求，有效减少系统开销，而且还能大大提高对网络中未知节点标签预测的精度。

主权项

一种基于NSGA2算法的社交网络中种子节点的选择方法，所述社交网络是由n个节点及它们之间连接关系组成的网络，定义任意第i个节点为ui，ui∈U＝{u1,u2,...,ui,...,un}，1≤i≤n；定义存在nd个种子节点；并构成种子节点集合为1≤nd＜n，其特征是：所述种子节点的选择方法是按如下步骤进行：步骤一、建立所述种子集合I的目标函数及决策变量：定义M个目标函数所组成的目标集合为f(x)＝{f1(x),f2(x),...,fm(x),...,fM(x)}，fm(x)表示第m个目标函数；1≤m≤M；x表示n个决策变量所组成的决策变量集合，且x＝{x1,x2,...,xi,...,xn}；xi表示第i个决策变量；步骤二、建立目标空间集：步骤2.1、确定所述社交网络中第i个节点ui的系统开销为表示第i个节点ui的第m种系统开销；从而得到n个节点的系统开销所组成的集合T＝{T1,T2,...,Ti,...,Tn}；步骤2.2、对所述n个节点的系统开销所组成的集合T进行归一化处理，得到归一化后的系统开销集合T′＝{T′1,T′2,...,T′i,...,T′n}；步骤2.3、采用scalable K‑means edge clustering方法计算所述社交网络中第i个节点ui的社会维度向量SFi；从而得到n个节点的社会维度向量所组成的集合SF＝{SF1,SF2,...,SFi,...,SFn}；步骤2.4、定义阈值V∈(0,1)；步骤2.5、统计所述第i个节点ui的社会维度向量SFi中的元素大于等于所述阈值V的个数，并记为社会特征个数Nvi；从而得到n个节点的社会特征个数所组成的集合Nv＝{Nv1,Nv2,...,Nvi,...,Nvn}；步骤2.6、将所述归一化后的系统开销集合T′与所述社会特征个数所组成的集合Nv进行合并，得到目标空间集W＝[T′,Nv]，且W＝{W1,W2,…,Wi,…,Wn}；Wi表示第i个节点ui在目标空间中所对应的值；并有表示第i个节点ui在第m个维目标空间上所对应的值；步骤三、基于NSGA2算法的染色体选择：步骤3.1、定义种群规模为J，代数总为Gmax，任意一代为G；步骤3.2、初始化G＝0；步骤3.3、初始化j＝1；步骤3.4、构建第G代的第j个含有n个“0”的初始染色体表示第G代中第j个染色体的第i个元素；步骤3.5、随机将所述第j个初始染色体中的nd个元素变为“1”，得到第G代的第j个染色体步骤3.6、令j+1赋值给j；并判断j＞J是否成立，若成立，则表示获得染色体集合并执行步骤3.7；否则执行步骤3.4；步骤3.7、初始化j＝1；步骤3.8、初始化i＝1；步骤3.9、将所述第i个节点ui在目标空间中所对应的值Wi与所述第j个染色体中的每个元素相乘后代入所述目标集合f(x)＝{f1(x),f2(x),...,fm(x),...,fM(x)}中，得到第i个节点ui在第j个染色体上的目标值表示第i个节点ui在第j个染色体上的第m个目标值；步骤3.10、将i+1赋值给i；并判断i＞n是否成立，若成立，则得到第j个染色体上的目标值否则，返回步骤3.9；步骤3.11、将所述染色体与所述第j个染色体上的目标值进行合并，得到第G代含有目标值的第j个染色体步骤3.12、将j+1赋值给j；并判断j＞J是否成立，若成立，则得到J个含有目标值的染色体作为第G代群体；否则，返回步骤3.8；步骤3.12、利用二进制锦标赛法对所述第G代群体Mg″(G)进行排序，再对排序后的第G代群体Mg″(G)依次进行选择、交叉和变异操作，从而得到第G代的子代群体Mg*(G)；步骤3.13、将所述第G代群体Mg″(G)和第G代的子代群体Mg*(G)进行合并，得到第G代染色体池表示第G代染色体池Rt(G)中的第k个染色体；1≤k≤2J；步骤3.14、利用快速非支配解排序法对所述第G代染色体池Rt(G)进行升序排序，得到所有染色体所属的等级，记为染色体等级集合表示第G代的第θ个等级，且第G代的第θ个等级优于第G代的第θ+1个等级γ表示等级总数；1≤θ≤γ；步骤3.15、将属于同一等级的染色体合并为一类并放入一个集合中，从而得到第G代的γ个同等级染色体集合表示第G代的第θ个同等级染色体集合；且第G代的第θ个同等级染色体集合中的染色体总数为步骤3.16、计算所述第G代的第θ个同等级染色体集合中每个染色体的拥挤距离，并按照降序对每个染色体的拥挤距离进行排序，得到排序后的同等级染色体集合表示第G代排序后的第θ个同等级染色体集合；步骤3.17、初始化θ＝1；步骤3.18、判断是否成立，若成立，则将所述第G代排序后的第θ个同等级染色体集合中的所有染色体作为第G+1代含有目标值的染色体Mg″(G+1)中的染色体；否则，从所述第G代排序后的第θ个同等级染色体集合中选择前个染色体作为第G+1代含有目标值的染色体Mg″(G+1)中的染色体；步骤3.19、将θ+1赋值给θ后，返回步骤3.18；步骤四、将G+1赋值给G，并提取G中第j个染色体的染色体部分并将所述染色体部分中所有非零元素所对应的列号作为种子节点的序号，从而完成第G代种子节点的选择，获得所述种子节点集步骤五、将所述种子节点集放入所述社交网络中并利用wvRN算法进行多标签预测，得到预测精度Micro‑F1，Macro‑F1，Hamming Loss的值后，加入到所对应的第j个染色体中，从而构成含有标签预测精度的染色体步骤六、将G+1赋值给G，并判断G≥Gmax是否成立，若成立，则表示得到第Gmax代含有标签预测精度的染色体集合并作为最终的最优染色体集合，否则返回步骤3.7顺序执行；步骤七、提取所述最终的最优染色体集合中第j个染色体的染色体部分并将所述染色体部分中所有非零元素所对应的列号作为种子节点的序号，从而完成种子节点的选择。