CN105740952A - 社区网络检测的多目标快速遗传方法 - Google Patents

Abstract

本发明公开了社区网络检测的多目标快速遗传方法，该方法用于在复杂社区网络中查找社区结构，解决了传统算法在寻优过程出现“早熟”和效率低下的问题。本发明将社区划分问题转化为多目标优化问题，首先构建社区分值和社区适应度两个目标函数，引入外部精英基因库，用于存储适应度较高的非劣解，对于外部精英基因库已经存在的重复个体，不用再重复解码，计算个体的适应度值等一系列过程，其次执行遗传变异交叉算子返回一组两个目标函数之间折衷的非支配解，经过解码生成图的邻接矩阵，从而将一个复杂社区网络分成多个独立的子网络。仿真表明，多目标快速遗传算法引入外部精英基因库的概念很大程度减小时间复杂度，提高了复杂网络检测的效率和速度。

Description

社区网络检测的多目标快速遗传方法

技术领域

本发明涉及社区网络检测的多目标快速遗传的实现方法，属于通信技术领域。

技术背景

目前，多目标解集的选择和算法效率问题一直是实际遇到的一个棘手问题，由于多目标之间存在相互制约的因素，我们对其中一个目标进行优化必须影响其他目标性能，所以多目标不存在一个确定的解，而是一个最优解的集合，称为Pareto最优解，传统的求解把多目标问题通过加权求和转化为单目标问题去求解，但是由于权值的确定需要研究人员对各个目标有一定的先验判断，所以这样的方法很难真正去解决多目标问题。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于解决了在复杂网络中社区网络分蔟的问题，该方法是通过快速遗传方法解决了Pareto非劣解中的最优解选择问题和优化效率问题，很好地实现了多目标网络分簇的Pareto解集，筛选出了最优解。

本发明解决其技术问题所采取的技术方案是：一种社区网络检测的多目标快速遗传的实现方法，该方法引进存储Pareto前沿解集的精英基因库，利用最大模块度公式最终筛选出最优解的方案，解决了多目标网络分簇问题。

方法流程：

步骤1：种群和精英基因库初始化单元；

对社团表示用邻接点表示法,随机产生一个200～300个体数量规模的种群和一个0.2～0.3倍种群数量规模的精英基因库；

步骤2：染色体解码单元；

根据染色体的各基因，把染色体解码成邻接矩阵，从而确定了该染色体对应的各社区分簇；

步骤3:适应度计算单元；

计算本社区网络分簇算法方案的两个目标函数，最小目标函数其中 $P\left(S_j\right)={\Σ}_{i\∈s}\frac{{k_i}^{in}\left(s\right)}{{k_i}^{in}\left(s\right)+{k_i}^{out}\left(s\right)},$ 适应度函数fitness(x)设为 $1000-\underset{j=1}{\overset{k}{\Σ}}P\left(S_j\right).$ 最大目标函数 $CDS=\underset{i=1}{\overset{k}{\Σ}}socre\left(S_i\right),$ score(S)＝M(S)×V_s, $M\left(S\right)=\frac{{\Σ}_{i\∈s}{\left(u_i\right)}^r}{\left|S\right|},$ V_s＝Σ_i,j∈sA_ij,其中|S|表示S内部所有的节点数，V_s表示的是社团s内部相连接的边总数,u_i表示S内部与节点i相连的边占所有节点的比例,r一般设为2。

步骤4：变异交叉算子；

设定一个变异率，对前沿较差的染色体进行变异操作，等位基因的变异值，只能为相邻基因，作交叉时，随机生成一个包含0、1值的交叉模，0选择一个父代，1选择另外一个父代；

步骤5：外部精英基因库；

存储符合条件的非劣解，每次迭代都更新外部精英基因库，丢弃被新解支配的解，放入不被库中支配的新解，从非劣解中挑选出模块度最高的解作为最终输出的最优解。

本发明是将社区复杂网络检测问题转为多目标优化问题，用邻接矩阵表示社区复杂网络(G,V)各节点关系，构建了社区分值和社区适应度两个目标函数，引入外部精英基因库，用于存储符合条件适应度较高的非劣解和其对应的适应度值，再执行遗传变异交叉算子返回一组两个目标函数的非支配解，再把优化解解码成邻接矩阵，从而将一个复杂社区网络分成多个独立的子网络。

本发明包括种群初始化单元；所述种群初始化单元把一个复杂网络划分为多个内部边数密集，相互边数稀疏的网络，种群初始化单元需要把一个复杂社团网络等效成一个点集，对社团的点集用邻接点表示法,随机产生一个种群，种群的规模在200～300。

本发明需要构造两个目标函数，即社区适应度目标函数和社区分值函数，第一个目标函数社区适应度函数定义为其中，而k_i ⁱⁿ(s)表示节点i连接子网络s中其他节点的边的条数，k_i ^out(s)表示节点i连接子网络s外其他节点的边的条数；第二个目标函数,社区分值函数为：通过这个函数，识别出网络中连接紧密的社团结构和和连接松疏的社团结构。

本发明包括遗传交叉变异模块，在遗传交叉变异模块中设定一个变异率和一个交叉率，对前沿较差的染色体进行变异操作，等位基因的变异值，只能为相邻基因，作交叉时，随机生成一个包含0、1值的交叉模，0选择一个父代，1选择另外一个父代。

本发明包括外部精英基因集初始化；所述外部精英基因集初始化的规模大小在0.2～0.3倍的个体种群的规模，外部精英基因库存储了模块度Q值较高的非劣解，个体按照Q值的大小根据目标函数的支配关系进行分级排序，当精英基因库中不存在当前个体的染色体时，则迭代后更新外部精英库，精英基因库中用的是非支配解被淘汰，而是新的支配解存入的方法用于更新，对于精英集已经存在的重复个体，不用再重复解码，计算个体的适应度值等一系列过程，到进化的后期，进化的解趋向于收敛，重复个体的次数会越来越多，则精英基因库对于算法效率的提高越来越明显。

有益效果：

1、本发明通过快速遗传方法解决了Pareto非劣解中的最优解选择问题和优化效率问题，很好地实现了多目标网络分簇的Pareto解集，筛选出了最优解。

2、本发明引进存储Pareto前沿解集的精英基因库，利用最大模块度公式最终筛选出最优解的方案，很好地解决了多目标网络分簇问题。

3、对于精英集已经存在的重复个体，本发明不用再重复解码，计算个体的适应度值等一系列过程，到进化的后期，进化的解趋向于收敛，重复个体的次数会越来越多，则精英基因库对于算法效率的提高越来越明显。

附图说明

图1为本发明的总体结构示意图。

图2为本发明的方法流程图。

具体实施方式

下面结合说明书附图对本发明创造作进一步的详细说明。

如图1所示，本发明提供了一种社区网络检测的多目标快速遗传的实现方法，该方法用于社区网络的检测，它主要包含种群和精英基因库初始化单元，染色体解码单元，适应度计算单元，遗传变异交叉算子，外部精英基因库。

本发明设计了外部精英基因库的建立，外部精英基因库存储了所有的非劣解，根据模块度的排列，得到了最优解。

本发明具体实施过程包括：

步骤1：根据复杂网络的聚类分类定义，确定最小化目标函数和最大化目标函数，即社区适应度函数和社区分值函数。

步骤2：种群和精英基因库初始化。

步骤3：进行染色体基因选择，判断是否在精英基因库中存在相同染色体基因。

步骤4：如果相同存在相同染色体基因，直接获取对应的染色体适应度。如果不存在相同的染色体，则解码生成种群的每个个体。对每个染色体使用上述两个适应度函数去进行评估计算，根据支配关系，将非劣解放入外部精英基因库中，将非劣解中模块度Q最高的解就当做此次迭代的最优解,其中l_c是连接模块s内部所有顶点的边的总数,d_s是s中节点的度的总和,m为网络中总的边数。

步骤5：选择前沿较差的解，在他们中间执行变异操作，然后对整个种群进行均匀交叉生成下一代新的种群后代。

步骤6：根据个体之间的支配关系使用Q值对个体进行分类排序，并且更新外部精英基因库及模块度最高的最优解。

步骤7：从步骤3到步骤6迭代循环达到最大次数，终止。

本发明是将社区复杂网络检测问题转为多目标优化问题，用邻接矩阵表示社区复杂网络(G,V)各节点关系，构建了社区分值和社区适应度两个目标函数，引入外部精英基因库，用于存储符合条件适应度较高的非劣解和其对应的适应度值，再执行遗传变异交叉算子返回一组两个目标函数的非支配解，再把优化解解码成邻接矩阵，从而将一个复杂社区网络分成多个独立的子网络。

本发明包括种群初始化单元；所述种群初始化单元把一个复杂网络划分为多个内部边数密集，相互边数稀疏的网络，种群初始化单元需要把一个复杂社团网络等效成一个点集，对社团的点集用邻接点表示法,随机产生一个种群，种群的规模在200～300。

本发明需要构造两个目标函数，即社区适应度目标函数和社区分值函数，第一个目标函数社区适应度函数定义为其中，而k_i ⁱⁿ(s)表示节点i连接子网络s中其他节点的边的条数，k_i ^out(s)表示节点i连接子网络s外其他节点的边的条数；第二个目标函数,社区分值函数为：通过这个函数，识别出网络中连接紧密的社团结构和和连接松疏的社团结构。

本发明包括遗传交叉变异模块，在遗传交叉变异模块中设定一个变异率和一个交叉率，对前沿较差的染色体进行变异操作，等位基因的变异值，只能为相邻基因，作交叉时，随机生成一个包含0、1值的交叉模，0选择一个父代，1选择另外一个父代。

本发明包括外部精英基因集初始化；所述外部精英基因集初始化的规模大小在0.2～0.3倍的个体种群的规模，外部精英基因库存储了模块度Q值较高的非劣解，个体按照Q值的大小根据目标函数的支配关系进行分级排序，当精英基因库中不存在当前个体的染色体时，则迭代后更新外部精英库，精英基因库中用的是非支配解被淘汰，新的支配解存入的方法，来更新，对于精英集已经存在的重复个体，不用再重复解码，计算个体的适应度值等一系列过程，到进化的后期，进化的解趋向于收敛，重复个体的次数会越来越多，则精英基因库对于算法效率的提高越来越明显。

Claims (6)

1.一种社区网络检测的多目标快速遗传的实现方法，其特征在于，所述方法包括如下步骤：

步骤1：种群和精英基因库初始化单元；

对社团表示用邻接点表示法,随机产生一个200～300个体数量规模的种群和一个0.2～0.3倍种群数量规模的精英基因库；

步骤2：染色体解码单元；

根据染色体的各基因，把染色体解码成邻接矩阵，从而确定了该染色体对应的各社区分簇；

步骤3:适应度计算单元；

计算本社区网络分簇算法方案的两个目标函数，最小目标函数其中适应度函数fitness(x)设为最大目标函数 $CS=\underset{i=1}{\overset{k}{\Σ}}score\left(S_i\right),$ score(S)＝M(S)×V_s, $M\left(S\right)=\frac{{\mathrm{\Σ}}_{i\∈s}{\left(u_i\right)}^r}{\left|S\right|},$ V_s＝Σ_i,j∈sA_ij,其中|S|表示S内部所有的节点数，V_s表示的是社团s内部相连接的边总数,u_i表示S内部与节点i相连的边占所有节点的比例；

步骤4：变异交叉算子；

设定一个变异率，对前沿较差的染色体进行变异操作，等位基因的变异值，只能为相邻基因，作交叉时，随机生成一个包含0、1值的交叉模，0选择一个父代，1选择另外一个父代；

步骤5：外部精英基因库；

存储符合条件的非劣解，每次迭代都更新外部精英基因库，丢弃被新解支配的解，放入不被库中支配的新解，从非劣解中挑选出模块度最高的解作为最终输出的最优解。

2.根据权利要求1所述的一种社区网络检测的多目标快速遗传的实现方法，其特征在于：所述方法是将社区复杂网络检测问题转为多目标优化问题，用邻接矩阵表示社区复杂网络(G,V)各节点关系，构建了社区分值和社区适应度两个目标函数，引入外部精英基因库，用于存储符合条件适应度较高的非劣解和其对应的适应度值，再执行遗传变异交叉算子返回一组两个目标函数的非支配解，再把优化解解码成邻接矩阵，从而将一个复杂社区网络分成多个独立的子网络。

3.根据权利要求1所述的一种社区网络检测的多目标快速遗传的实现方法，其特征在于：所述方法包括种群初始化单元；所述种群初始化单元把一个复杂网络划分为多个内部边数密集，相互边数稀疏的网络，种群初始化单元需要把一个复杂社团网络等效成一个点集，对社团的点集用邻接点表示法,随机产生一个种群，种群的规模在200～300。

4.根据权利要求1所述的一种社区网络检测的多目标快速遗传的实现方法，其特征在于：所述方法需要构造两个目标函数，即社区适应度目标函数和社区分值函数，第一个目标函数社区适应度函数定义为其中，而k_i ⁱⁿ(s)表示节点i连接子网络s中其他节点的边的条数，k_i ^out(s)表示节点i连接子网络s外其他节点的边的条数；第二个目标函数,社区分值函数为：

通过这个函数，识别出网络中连接紧密的社团结构和和连接松疏的社团结构。

5.根据权利要求1所述的一种社区网络检测的多目标快速遗传的实现方法，其特征在于：所述方法包括遗传交叉变异模块，在遗传交叉变异模块中设定一个变异率和一个交叉率，对前沿较差的染色体进行变异操作，等位基因的变异值，只能为相邻基因，作交叉时，随机生成一个包含0、1值的交叉模，0选择一个父代，1选择另外一个父代。

6.根据权利要求1所述的一种社区网络检测的多目标快速遗传的实现方法，其特征在于：所述方法包括外部精英基因集初始化；所述外部精英基因集初始化的规模大小在0.2～0.3倍的个体种群的规模，外部精英基因库存储了模块度Q值较高的非劣解，个体按照Q值的大小根据目标函数的支配关系进行分级排序，当精英基因库中不存在当前个体的染色体时，则迭代后更新外部精英库，精英基因库中用的是非支配解被淘汰，而是新的支配解存入的方法用于更新，对于精英集已经存在的重复个体，不用再重复解码，计算个体的适应度值一系列过程，到进化的后期，进化的解趋向于收敛，重复个体的次数会越来越多。