CN109063176A - 一种符号网络弱不平衡度的评价方法及系统 - Google Patents

一种符号网络弱不平衡度的评价方法及系统 Download PDF

Info

Publication number
CN109063176A
CN109063176A CN201810958236.4A CN201810958236A CN109063176A CN 109063176 A CN109063176 A CN 109063176A CN 201810958236 A CN201810958236 A CN 201810958236A CN 109063176 A CN109063176 A CN 109063176A
Authority
CN
China
Prior art keywords
node
individual
population
value
individuals
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810958236.4A
Other languages
English (en)
Other versions
CN109063176B (zh
Inventor
常新功
赵雅娟
史文强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi University Of Finance & Economics
Original Assignee
Shanxi University Of Finance & Economics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanxi University Of Finance & Economics filed Critical Shanxi University Of Finance & Economics
Priority to CN201810958236.4A priority Critical patent/CN109063176B/zh
Publication of CN109063176A publication Critical patent/CN109063176A/zh
Application granted granted Critical
Publication of CN109063176B publication Critical patent/CN109063176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了符号网络弱不平衡度的评价方法及系统，该方法包括根据邻接矩阵采用轮盘赌算法生成个体压缩表示；根据个体压缩表示及种群规模随机生成popSize个个体，得到初始种群；对所述初始种群初始化得到父代种群；更新父代种群maxGen次，将循环第maxGen次时得到的子代种群确定为优化种群；更新父代种群具体包括对父代种群依次进行选择操作、交叉操作、变异操作、轮换操作及局部搜索；根据适应值函数计算所述优化种群中全部个体的适应值，将所述优化种群中适应值最大的个体确定为所述符号网络的弱不平衡度。本发明通过根据个体压缩表示生成初始种群，有效地降低了基因型网络空间的规模，提高了使用本发明方法计算符号网络弱不平衡度时的准确性及效率。

Description

一种符号网络弱不平衡度的评价方法及系统
技术领域
本发明涉及大型符号网络技术领域，尤其涉及一种符号网络弱不平衡度的评价方法及系统。
背景技术
符号网络以正边表示正面关系，负边表示敌对、厌恶、背弃、差评、抑制等负面的关系，符号网络深入细致地刻画了事物之间的联系。Leskovec等人通过实验表明在大量实际的符号网络中弱结构平衡比结构平衡更为常见，因此，求弱不平衡度比求不平衡度更为实用，也更为重要。然而简单地将求解结构不平衡度的方法推广到求解弱结构不平衡度通常是不可行的。Doreian和Mrvar提出了块模型方法来求解一个符号网络的弱不平衡度，并将其算法嵌入到了著名网络分析软件Pajek中。由于求解弱结构不平衡问题属于NP难问题，同时也由于块模型方法是基于矩阵表示和置换操作的，本身具有较高的时间复杂度，因此Doreian和Mrvar给出的方法在计算大型符号网络弱不平衡度时效率低。
发明内容
本发明的目的是提供一种符号网络弱不平衡度的评价方法及系统，以解决现有技术中对大型符号网络弱不平衡度进行评价时效率低的问题。
为实现上述目的，本发明提供了如下方案：
一种符号网络弱不平衡度的评价方法，包括：
获取符号网络G(V,E,σ)的邻接矩阵A＝(aij)n×n；其中，节点集V＝{v1,v2…,vX}，n为符号网络的节点数，n为大于1的正整数；类别集C＝{0,…，k-1}，类别集中包括全部节点的类别值，k-1为正整数；边集符号属性集σ＝{+，-}；aij∈{-1,0,1}，aij＝1表示节点vi和vj以正边相连，aij＝-1表示节点vi和vj以负边相连，aij＝0表示节点vi和vj没有边相连；
根据所述邻接矩阵采用轮盘赌算法生成个体压缩表示；所述个体压缩表示包括多个节点的类别值，所述个体压缩表示的节点数小于X；
获取种群规模popSize和迭代次数预设值max Gen；其中，popSize为大于1的正整数，locK为正整数，max Gen为大于1的正整数；
根据所述个体压缩表示及所述种群规模随机生成popSize个个体，得到初始种群；一个所述个体中包括多个节点的类别值；
对所述初始种群初始化，得到父代种群；
对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群，并将迭代次数的值加1；所述迭代次数的初始值为零；
判断迭代次数的值是否等于迭代次数预设值max Gen；
如果是，将所述子代种群确定为优化种群；否则，将所述子代种群作为更新后的父代种群返回步骤“对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作”；
根据适应值函数计算所述优化种群中全部个体的适应值，将所述优化种群中适应值最大的个体确定为所述符号网络的弱不平衡度；
其中，N(vi)＝{vk(vi,vk)∈E}，N(vi)是节点vi的邻域，vk是节点vi的邻居节点；si为第i个节点的类别值，sj为第j个节点的类别值。
可选的，所述根据所述邻接矩阵采用轮盘赌算法生成个体压缩表示，具体包括：
分别求解所述邻接矩阵的每行元素值之和，将每行元素值之和确定为每行元素值对应的节点的度数；
将第一节点的第一邻居节点的类别值存入压缩数组；所述第一节点为邻接矩阵对应节点中度数为1的节点；
将所述第一邻居节点的度数修改为0，并将第二邻居节点的度数减1，得到第一邻接矩阵；所述第二邻居节点为所述第一邻居节点的邻居节点；第二邻居节点包括第一节点。
根据所述第一邻接矩阵采用轮盘赌算法确定一个第二节点，将所述第二节点的类别值存入所述压缩数组；所述第二节点的度数大于0；
将所述第二节点的度数修改为0，并将所述第二节点的邻居节点的度数减1，得到第二邻接矩阵；由于第一邻居节点的度数已经修改为0，即可认为第一邻居节点与其它节点均没有边连接，即度数为0的节点与无法作为其它节点的邻居节点。
判断所述第二邻接矩阵中的所有元素值是否全部等于0；
如果是，将存入所述压缩数组的节点的类别值集合确定为所述个体压缩表示；否则，将所述第二邻接矩阵作为更新后的第一邻接矩阵返回“根据所述第一邻接矩阵采用轮盘赌算法确定一个第二节点”；所述个体压缩表示中类别值的个数为Y，Y＜X。
可选的，所述根据所述个体压缩表示及所述种群规模随机生成popSize个个体，得到初始种群，具体包括：
生成一个所述个体；
所述生成一个所述个体，具体包括：
为个体压缩表示中的每个节点随机分配一个类别值si，得到一个所述个体；所述类别值si∈{0，…,k-1}；
循环所述生成一个所述个体的过程popSize次，得到所述初始种群。
可选的，所述对所述初始种群初始化，得到父代种群，具体包括：
更新所述初始种群中的第一个体；
所述更新所述初始种群中的第一个体，具体包括：
选取第一个体中的任意一个节点作为第三节点；所述第三节点的类别值为第一类别值；
将与所述第三节点正边相连的邻居节点的类别值确定为所述第一类别值，得到更新后的个体；
对所述初始种群中的每个个体按更新所述初始种群中的第一个体的方式更新一次，得到所述父代种群。
可选的，所述更新所述初始种群中的第一个体之前，还包括：
获取初始化强度iniK；其中，iniK为正整数；
所述对所述初始种群中的每个个体按更新所述初始种群中的第一个体的方式更新一次之后，还包括：
对初始种群中的全部个体按更新所述初始种群中的第一个体的方式更新iniK-1次，得到所述父代种群。
可选的，所述对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群，具体包括：
步骤S1：获取联赛规模tourSize、交叉概率pc、变异概率pm、轮换概率pr和局部搜索次数locK；
步骤S2：生成一个子代种群中的个体；
所述生成一个子代种群中的个体，具体包括：
步骤S21：对父代种群中的个体进行选择操作和交叉操作；
所述对父代种群中的个体进行选择操作和交叉操作，具体包括：
步骤S211：采用联赛选择算法从所述父代种群中随机选取tourSize个个体；
步骤S212：根据适应值函数计算所述tourSize个个体的适应值，将所述tourSize个个体中适应值最大的个体确定为第二个体；
步骤S213：依次循环所述步骤S211和步骤S12两次，得到第一个第二个体和第二个第二个体；
步骤S214：根据交叉概率pc判断是否对第一个第二个体和第二个第二个体进行交叉操作；
步骤S215：如果否，则将第二个体确定为第三个体；如果是，则获取第一个第二个体的任意一个节点的类别值Sde；
步骤S216：根据所述类别值Sde确定所述第一个第二个体中的第四节点；所述第四节点的类别值为Sde；
步骤S217：将第二个第二个体的第五节点的类别值确定为sde，得到第三个体；所述第五节点为所述第二个第二个体中与所述第一个第二个体的第四节点位置相同的节点；
步骤S22：对第三个体进行变异操作；
所述对第三个体进行变异操作，具体包括：
步骤S221：根据变异概率pm判断是否对第三个体进行变异操作；
步骤S222：如果否，则将第三个体确定为第四个体；如果是，则从所述第三个体中随机选择一个第六节点；所述第六节点的类别值为sdl；所述sdl∈{0,1…,k-1}；
步骤S223：将所述第六节点的类别值修改为sdl′，得到第四个体；所述sdl′∈{0,1…sdl-1，sdl+1，…,k-1}；
步骤S23：对第四个体进行轮换操作；
所述对第四个体进行轮换操作，具体包括：
步骤S231：为第四个体随机生成一个随机数r；r∈[0,1]；
步骤S232：判断所述第四个体所对应的随机数r是否小于轮换概率pr；
步骤S233：如果是，则将所述第四个体中类别值为k-1的节点的类别值修改为0，同时将所述第四个体中类别值为f的节点的类别值修改为f+1，得到第五个体；f∈{0,1,…k-2}；否则，将所述第四个体确定为第五个体；
步骤S24：对第五个体进行局部搜索操作；
所述对第五个体进行局部搜索操作具体包括：
步骤S241：从所述第五个体中随机选取一个第七节点；
步骤S242：将所述第七节点vdq的类别值确定为sdq，得到第六个体，并将局部搜索次数的值加1；其中，N(vdq)＝{vk|(vdq,vk)∈E}，N(vdq)是第七节点vdq的邻域，vk是第七节点vdq的邻居节点；sj为第j个节点的类别值；adqj∈{-1,0,1}，adqj＝1表示第七节点vdq和vj以正边相连，adqj＝-1表示第七点vdq和vj以负边相连，adqj＝0表示第七节点vdq和vj没有边相连；所述局部搜索次数的初始值为零；
步骤S243：判断局部搜索次数的值是否等于locK；
步骤S244：如果是，将第六个体确定为所述子代种群中的一个个体；否则，将第六个体作为更新后的第五个体返回步骤S241；
步骤S3：重复步骤2popSize次，得到子代种群。
一种符号网络弱不平衡度的评价系统，包括：
第一获取模块，用于获取符号网络G(V,E,σ)的邻接矩阵A＝(aij)n×n；其中，节点集V＝{v1,v2…,vX}，n为符号网络的节点数，n为大于1的正整数；类别集C＝{0,…，k-1}，类别集中包括全部节点的类别值，k-1为正整数；边集符号属性集σ＝{+，-}；aij∈{-1,0,1}，aij＝1表示节点vi和vj以正边相连，aij＝-1表示节点vi和vj以负边相连，aij＝0表示节点vi和vj没有边相连；
个体压缩表示生成模块，用于根据所述邻接矩阵采用轮盘赌算法生成个体压缩表示；所述个体压缩表示包括多个节点的类别值，所述个体压缩表示的节点数小于X；
第二获取模块，用于获取种群规模popSize和迭代次数预设值max Gen；其中，popSize为大于1的正整数，locK为正整数，max Gen为大于1的正整数；
初始种群生成模块，用于根据所述个体压缩表示及所述种群规模随机生成popSize个个体，得到初始种群；一个所述个体中包括多个节点的类别值；
父代种群生成模块，用于对所述初始种群初始化，得到父代种群；
子代种群生成模块，用于对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群，并将迭代次数的值加1；所述迭代次数的初始值为零；
第一判断模块，用于判断迭代次数的值是否等于迭代次数预设值max Gen；
优化种群确定模块，用于当迭代次数的值等于迭代次数预设值时，将所述子代种群确定为优化种群；否则，将所述子代种群作为更新后的父代种群返回步骤“对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作”；
符号网络的弱不平衡度确定模块，用于根据适应值函数计算所述优化种群中全部个体的适应值，将所述优化种群中适应值最大的个体确定为所述符号网络的弱不平衡度；
其中，N(vi)＝{vk|(vi,vk)∈E}，N(vi)是节点vi的邻域，vk是节点vi的邻居节点；si为第i个节点的类别值，sj为第j个节点的类别值。
可选的，所述个体压缩表示生成模块具体包括：
节点度数确定单元，用于分别求解所述邻接矩阵的每行元素值之和，将每行元素值之和确定为每行元素值对应的节点的度数；
发送单元，用于将第一节点的第一邻居节点的类别值存入压缩数组；所述第一节点为邻接矩阵对应节点中度数为1的节点；
第一邻接矩阵生成单元，用于将所述第一邻居节点的度数修改为0，并将第二邻居节点的度数减1，得到第一邻接矩阵；所述第二邻居节点为所述第一邻居节点的邻居节点；
第二节点确定单元，用于根据所述第一邻接矩阵采用轮盘赌算法确定一个第二节点，将所述第二节点的类别值存入所述压缩数组；所述第二节点的度数大于0；
第二邻接矩阵生成单元，用于将所述第二节点的度数修改为0，并将所述第二节点的邻居节点的度数减1，得到第二邻接矩阵；
第二判断单元，用于判断所述第二邻接矩阵中的所有元素值是否全部等于0；
个体压缩表示确定单元，用于当判断结果表示第二邻接矩阵中的所有元素值全部等于0时，将存入所述压缩数组的节点的类别值集合确定为所述个体压缩表示；否则，将所述第二邻接矩阵作为更新后的第一邻接矩阵返回“根据所述第一邻接矩阵采用轮盘赌算法确定一个第二节点”；所述个体压缩表示中类别值的个数为Y，Y＜X。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明的符号网络弱不平衡度的评价方法及系统，根据邻接矩阵采用轮盘赌算法生成个体压缩表示；根据个体压缩表示及种群规模随机生成popSize个个体，得到初始种群；对所述初始种群初始化后得到父代种群；更新父代种群max Gen次，将循环第max Gen次时得到的子代种群确定为优化种群；更新父代种群具体包括对父代种群依次进行选择操作、交叉操作、变异操作、轮换操作及局部搜索；根据适应值函数计算所述优化种群中全部个体的适应值，将所述优化种群中适应值最大的个体确定为所述符号网络的弱不平衡度。本发明通过根据个体压缩表示生成初始种群，有效地降低了基因型网络空间的规模，提高了使用本发明方法计算符号网络弱不平衡度时的效率。
本发明还通过对父代种群依次进行选择操作、交叉操作、变异操作、轮换操作及局部搜索，在不影响个体适应值的同时改善了种群的多样性，从而提高了使用本发明方法计算获得的网络弱不平衡度的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的符号网络弱不平衡度的评价方法的流程图；
图2为一个6节点符号网络的结构示意图；
图3为本发明所提供的符号网络弱不平衡度的评价系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种符号网络弱不平衡度的评价方法及系统，以解决现有技术中对大型符号网络弱不平衡度进行评价时效率低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
给定符号网络G(V,E,σ)，符号网络的邻接矩阵为A＝(aij)n×n；其中，节点集V＝{v1,v2…,vX}，n为符号网络的节点数，n为大于1的正整数；边集类别集C＝{0,…，k-1}，类别集中包括全部节点的类别值，k为预先指定的最大类别数，k-1为正整数；符号属性集σ＝{+，-}；aij∈{-1,0,1}，aij＝1表示节点vi和vj以正边相连，aij＝-1表示节点vi和vj以负边相连，aij＝0表示节点vi和vj没有边相连；状态集S＝{s1,s2,…，sn}，其中节点vi的状态si∈C表示节点vi所属的类别为si。
根据定理1“一个符号网络是弱结构平衡的，当且仅当其节点集可以划分为多个类且满足如下条件：同一类内的边均为正边，不同类间的边均为负边”，在最大类别数k提前指定的情况下，定义本发明中对大型符号网络的弱不平衡度进行评价时的最优解为：
其中，N(vi)＝{vk|(vi,vk)∈E}，N(vi)是节点vi的邻域，vk是节点vi的邻居节点；si为第i个节点的类别值，sj为第j个节点的类别值。
根据定理2“给定符号网络G(V,E,σ)，假设S*＝{s1 *,s2 *…,sn *}为本发明中对大型符号网络的弱不平衡度进行评价时的最优化问题的最优解，那么对于任意的i∈{1,…,n},都有可知，一个节点的状态，即其所属的最优类别值可通过其邻域节点的状态运用公式(1)求出来。
根据上述内容，设网络G的节点集V的一个真子集U满足如下条件：任取(即V-U，U的补集)，都有则称U为支配集，为退化集。由定理2易见，我们只需对支配集中的节点进行编码，退化集中节点的状态可由其邻域中节点的状态求出，因为其邻域节点都在支配集中。设U＝{vi1,νi2,...,νi|U|}，则个体的压缩编码可表示为ind_c＝si1si2...si|U|，其中，si∈{0,…,k-1}，|U|为U中元素个数。易见|U|<|V|，这样就缩短了个体表示的长度。
图1为本发明所提供的符号网络弱不平衡度的评价方法的流程图，如图1所示：该方法包括：
步骤S101：获取符号网络G(V,E,σ)的邻接矩阵A＝(aij)n×n。
步骤S102：根据邻接矩阵采用轮盘赌算法生成个体压缩表示。
步骤S103：获取种群规模popSize，局部搜索次数locK和迭代次数预设值max Gen。
步骤S104：根据个体压缩表示及种群规模随机生成popSize个个体，得到初始种群；一个个体中包括多个节点的类别值。
步骤S105：对初始种群初始化，得到父代种群。
步骤S106：对父代种群依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索，得到子代种群，并将迭代次数的值加1；迭代次数的初始值为零。
步骤S107：判断迭代次数的值是否等于迭代次数预设值max Gen。
步骤S108：如果是，将所述子代种群确定为优化种群；否则，将所述子代种群作为更新后的父代种群返回步骤“对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作”。
步骤S109：根据适应值函数计算优化种群中全部个体的适应值，将优化种群中适应值最大的个体确定为符号网络的弱不平衡度。
本实施例中提供的符号网络弱不平衡度的评价方法通过根据个体压缩表示生成初始种群，有效地降低了基因型网络空间的规模，提高了使用本发明方法计算符号网络弱不平衡度时的效率。
在实际应用中，根据邻接矩阵采用轮盘赌算法生成个体压缩表示，具体包括：
分别求解邻接矩阵的每行元素值之和，将每行元素值之和确定为每行元素值对应的节点的度数。
将第一节点的第一邻居节点的类别值存入压缩数组；第一节点为邻接矩阵对应节点中度数为1的节点。
将第一邻居节点的度数修改为0，并将第二邻居节点的度数减1，得到第一邻接矩阵；第二邻居节点为第一邻居节点的邻居节点。
根据第一邻接矩阵采用轮盘赌算法确定一个第二节点，将第二节点的类别值存入压缩数组；第二节点的度数大于0。
将第二节点的度数修改为0，并将第二节点的邻居节点的度数减1，得到第二邻接矩阵。
判断第二邻接矩阵中的所有元素值是否全部等于0。
如果是，将存入压缩数组的节点的类别值集合确定为个体压缩表示；否则，将第二邻接矩阵作为更新后的第一邻接矩阵返回“根据第一邻接矩阵采用轮盘赌算法确定一个第二节点”；个体压缩表示中类别值的个数为Y，Y＜X。
图2为一个6节点符号网络的结构示意图。如图2所示，该符号网络具有A-F等6个节点，A-F节点的度数依次为3、2、4、4、1和2，节点间的实线表示节点间以正边相连，节点间的虚线表示节点间以负边相连。对该网络生成个体压缩表示时，由于E的度数为1，E的邻居节点C首先被选入压缩数组，表示以后不再参选。C的邻居A、D、E和F的度数减1，由于E的度数为0，因此E以后不再参选，即A、D和F的度数分别由原来的3、4、2减为2、3、1。接下来，在剩下的节点A、B、D、F中使用轮盘赌算法进行选择，节点A、B、D、F的度数分别为2,2,3,1，度数之和为2+2+3+1＝8，这样A、B、D或F节点被选中的概率分别为2/8、2/8、3/8、1/8。假设具有较高概率的D被选中，D的度数置0，其邻居A、B和F节点的度数减1，这样还剩下A、B的度数为1。接下来，仍按度比例选择进行选择，假设节点A被选中。最后一共有3个节点A、C、D入选支配集U，个体的压缩编码ind_c＝sAsCsD，而自然编码是ind＝sAsBsCsDsEsF，压缩率为50％。
本实施例提供了生成个体压缩表示的具体方法，并给出了对图2所示的符号网络生成个体压缩表示的具体实施例，可以看出本发明有效地降低了基因型空间的规模，使算法的搜索更为充分，提高了使用本发明方法计算符号网络弱不平衡度时的效率及准确性。
在实际应用中，生成一个个体，具体包括：
为个体压缩表示中的每个节点随机分配一个类别值si，得到一个个体；类别值si∈{0，…,k-1}。
循环生成一个个体的过程popSize次，得到初始种群。
对初始种群初始化，得到父代种群，具体包括：
选取初始种群中任意一个个体作为第一个体，兄第一个体中的选取任意一个节点作为第三节点；第三节点的类别值为第一类别值。
将与第三节点正边相连的邻居节点的类别值确定为第一类别值，得到更新后的个体。
对初始种群中的每个个体按更新初始种群中的第一个体的方式更新一次，得到父代种群。
本实施例通过先随机生成多个个体，然后在每一个个体中随机选择一个节点，将其类别值赋值给其所有的以正边相连的邻居节点，从而使种群中的个体一开始就处在较优的搜索区域，可加快算法的收敛速度。
在实际应用中，对初始化后的父代种群依次选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群；
其中，轮换操作具体为：
为第四个体随机生成一个随机数r；r∈[0,1]。
判断所述第四个体所对应的随机数r是否小于轮换概率pr。
如果是，则将所述第四个体中类别值为k-1的节点的类别值修改为0，同时将所述第四个体中类别值为f的节点的类别值修改为f+1，得到第五个体；f∈{0,1,…k-2}；否则，将所述第四个体确定为第五个体。
本实施例给出了对种群进行轮换操作的具体过程，即选取部分个体，将个体中类别值为k-1的节点的类别值修改为0，将个体中类别值不等于k-1的节点的类别值修改为原类别值与1的和。由于轮换后，原来在同一类别的节点还在同一类别，原来不在同一类别的节点也仍然不在同一类别，这样的轮换不改变该个体的适应值。从而在不改变个体适应值的情况下令每个基因位置都有机会取到新的基因值。保持了种群样本中个体的多样性。
图3为本发明所提供的符号网络弱不平衡度的评价系统的结构示意图。一如图3所示，该系统包括：
第一获取模块1，用于获取符号网络G(V,E,σ)的邻接矩阵A＝(aij)n×n；其中，节点集V＝{v1,v2…,vX}，n为符号网络的节点数，n为大于1的正整数；类别集C＝{0,…，k-1}，类别集中包括全部节点的类别值，k-1为正整数；边集符号属性集σ＝{+，-}；aij∈{-1,0,1}，aij＝1表示节点vi和vj以正边相连，aij＝-1表示节点vi和vj以负边相连，aij＝0表示节点vi和vj没有边相连。
个体压缩表示生成模块2，用于根据所述邻接矩阵采用轮盘赌算法生成个体压缩表示；所述个体压缩表示包括多个节点的类别值，所述个体压缩表示的节点数小于X。
第二获取模块3，用于获取种群规模popSize和迭代次数预设值max Gen；其中，popSize为大于1的正整数，locK为正整数，max Gen为大于1的正整数。
初始种群生成模块4，用于根据所述个体压缩表示及所述种群规模随机生成popSize个个体，得到初始种群；一个所述个体中包括多个节点的类别值。
父代种群生成模块5，用于对所述初始种群初始化，得到父代种群。
子代种群生成模块6，用于对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群，并将迭代次数的值加1；所述迭代次数的初始值为零。
第一判断模块7，用于判断迭代次数的值是否等于迭代次数预设值max Gen。
优化种群确定模块8，用于当迭代次数的值等于迭代次数预设值时，将所述子代种群确定为优化种群；否则，将所述子代种群作为更新后的父代种群返回步骤“对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作”。
符号网络的弱不平衡度确定模块9，用于根据适应值函数计算所述优化种群中全部个体的适应值，将所述优化种群中适应值最大的个体确定为所述符号网络的弱不平衡度。
其中，N(vi)＝{vk|(vi,vk)∈E}，N(vi)是节点vi的邻域，vk是节点vi的邻居节点；si为第i个节点的类别值，sj为第j个节点的类别值。
本实施例中提供的符号网络弱不平衡度的评价系统通过个体压缩表示生成模块根据个体压缩表示生成初始种群，有效地降低了基因型网络空间的规模，提高了使用本发明方法计算符号网络弱不平衡度时的效率及准确性。
在此提供本发明的符号网络弱不平衡度的评价方法及系统的具体实施例。
该具体实施例是在Epinions、Slashdot和WikiElections这三个大型符号网络数据集的基础上进行的，三个网络的原始数据集可从斯坦福网络分析平台(http://snap.stanford.edu/data/#signnets)下载。Epinions(epinions.com)是一个产品评论网站，网站会员可以对别人的评论给出“有用”、“无用”等评级，进而对评论者给出“信任”、“不信任”的标签，从而形成了一个信任/不信任符号网络。Slashdot(slashdot.com)是一个技术新闻网站，用户可针对其它用户的文章将作者标记为“朋友”或“敌人”，形成了一个朋友/敌人符号网络。WikiElections[21]是维基百科用户投票选举管理员的一个数据集，它是一个支持/反对符号网络。以上三个数据集均为有向图，在评价网络若不平衡度时需先将其转为无向图。对上述三个数据集的原始情况，去掉冲突边、环和孤立点，并转为无向图后得到表1预处理后的数据集，该实施例主要在表1所示的3个大型无向符号网络上执行的。
表1
实验数据集 节点数 边数
Epinions 131513 708507
Slashdot 82062 498532
WikiElections 7114 99892
采用本发明的方法及系统，设置种群规模popSize＝500，初始化强度iniK＝500，局部搜索次数locK＝500，迭代次数预设值maxGen＝500，联赛规模tourSize＝2，交叉概率pc＝0.8，变异概率pm＝0.1，轮换概率pr＝0.05。任一算法在任一数据集上的运行结果均是在相同运行环境、相同参数设置下10次重复运行后的平均结果。
表2为使用meme-sb算法及本发明方法及系统(EAWSB-I)评价Epinions、Slashdot和WikiElections的网络弱不平衡度时的运行时间表。
表2
其中，k为符号网络的类别数。表2中的运行时间的单位为秒。根据表2可知，本发明提供的方法及系统的运行时间明显小于meme-sb算法的运行时间，即本发明提供的方法及系统的运行效率明显优于meme-sb算法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种符号网络弱不平衡度的评价方法，其特征在于，包括：
获取符号网络G(V,E,σ)的邻接矩阵A＝(aij)n×n；其中，节点集V＝{v1,v2…,vX}，n为符号网络的节点数，n为大于1的正整数；类别集C＝{0,…，k-1}，类别集中包括全部节点的类别值，k-1为正整数；边集符号属性集σ＝{+，-}；aij∈{-1,0,1}，aij＝1表示节点vi和vj以正边相连，aij＝-1表示节点vi和vj以负边相连，aij＝0表示节点vi和vj没有边相连；
根据所述邻接矩阵采用轮盘赌算法生成个体压缩表示；所述个体压缩表示包括多个节点的类别值，所述个体压缩表示的节点数小于X；
获取种群规模popSize和迭代次数预设值max Gen；其中，popSize为大于1的正整数，locK为正整数，max Gen为大于1的正整数；
根据所述个体压缩表示及所述种群规模随机生成popSize个个体，得到初始种群；一个所述个体中包括多个节点的类别值；
对所述初始种群初始化，得到父代种群；
对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群，并将迭代次数的值加1；所述迭代次数的初始值为零；
判断迭代次数的值是否等于迭代次数预设值max Gen；
如果是，将所述子代种群确定为优化种群；否则，将所述子代种群作为更新后的父代种群返回步骤“对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作”；
根据适应值函数计算所述优化种群中全部个体的适应值，将所述优化种群中适应值最大的个体确定为所述符号网络的弱不平衡度；
其中，N(vi)＝{vk|(vi,vk)∈E}，N(vi)是节点vi的邻域，vk是节点vi的邻居节点；si为第i个节点的类别值，sj为第j个节点的类别值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述邻接矩阵采用轮盘赌算法生成个体压缩表示，具体包括：
分别求解所述邻接矩阵的每行元素值之和，将每行元素值之和确定为每行元素值对应的节点的度数；
将第一节点的第一邻居节点的类别值存入压缩数组；所述第一节点为邻接矩阵对应节点中度数为1的节点；
将所述第一邻居节点的度数修改为0，并将第二邻居节点的度数减1，得到第一邻接矩阵；所述第二邻居节点为所述第一邻居节点的邻居节点；
根据所述第一邻接矩阵采用轮盘赌算法确定一个第二节点，将所述第二节点的类别值存入所述压缩数组；所述第二节点的度数大于0；
将所述第二节点的度数修改为0，并将所述第二节点的邻居节点的度数减1，得到第二邻接矩阵；
判断所述第二邻接矩阵中的所有元素值是否全部等于0；
如果是，将存入所述压缩数组的节点的类别值集合确定为所述个体压缩表示；否则，将所述第二邻接矩阵作为更新后的第一邻接矩阵返回“根据所述第一邻接矩阵采用轮盘赌算法确定一个第二节点”；所述个体压缩表示中类别值的个数为Y，Y＜X。
3.根据权利要求1所述的方法，其特征在于，所述根据所述个体压缩表示及所述种群规模随机生成popSize个个体，得到初始种群，具体包括：
生成一个所述个体；
所述生成一个所述个体，具体包括：
为个体压缩表示中的每个节点随机分配一个类别值si，得到一个所述个体；所述类别值si∈{0，…,k-1}；
循环所述生成一个所述个体的过程popSize次，得到所述初始种群。
4.根据权利要求1所述的方法，其特征在于，所述对所述初始种群初始化，得到父代种群，具体包括：
更新所述初始种群中的第一个体；
所述更新所述初始种群中的第一个体，具体包括：
选取第一个体中的任意一个节点作为第三节点；所述第三节点的类别值为第一类别值；
将与所述第三节点正边相连的邻居节点的类别值确定为所述第一类别值，得到更新后的个体；
对所述初始种群中的每个个体按更新所述初始种群中的第一个体的方式更新一次，得到所述父代种群。
5.根据权利要求4所述的方法，其特征在于，所述更新所述初始种群中的第一个体之前，还包括：
获取初始化强度iniK；其中，iniK为正整数；
所述对所述初始种群中的每个个体按更新所述初始种群中的第一个体的方式更新一次之后，还包括：
对初始种群中的全部个体按更新所述初始种群中的第一个体的方式更新iniK-1次，得到所述父代种群。
6.根据权利要求1所述的方法，其特征在于，所述对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群，具体包括：
步骤S1：获取联赛规模tourSize、交叉概率pc、变异概率pm、轮换概率pr和局部搜索次数locK；
步骤S2：生成一个子代种群中的个体；
所述生成一个子代种群中的个体，具体包括：
步骤S21：对父代种群中的个体进行选择操作和交叉操作；
所述对父代种群中的个体进行选择操作和交叉操作，具体包括：
步骤S211：采用联赛选择算法从所述父代种群中随机选取tourSize个个体；
步骤S212：根据适应值函数计算所述tourSize个个体的适应值，将所述tourSize个个体中适应值最大的个体确定为第二个体；
步骤S213：依次循环所述步骤S211和步骤S12两次，得到第一个第二个体和第二个第二个体；
步骤S214：根据交叉概率pc判断是否对第一个第二个体和第二个第二个体进行交叉操作；
步骤S215：如果否，则将第二个体确定为第三个体；如果是，则获取第一个第二个体的任意一个节点的类别值Sde；
步骤S216：根据所述类别值Sde确定所述第一个第二个体中的第四节点；所述第四节点的类别值为Sde；
步骤S217：将第二个第二个体的第五节点的类别值确定为sde，得到第三个体；所述第五节点为所述第二个第二个体中与所述第一个第二个体的第四节点位置相同的节点；
步骤S22：对第三个体进行变异操作；
所述对第三个体进行变异操作，具体包括：
步骤S221：根据变异概率pm判断是否对第三个体进行变异操作；
步骤S222：如果否，则将第三个体确定为第四个体；如果是，则从所述第三个体中随机选择一个第六节点；所述第六节点的类别值为sdl；所述sdl∈{0,1…,k-1}；
步骤S223：将所述第六节点的类别值修改为sdl′，得到第四个体；所述sdl′∈{0,1…sdl-1，sdl+1，…,k-1}；
步骤S23：对第四个体进行轮换操作；
所述对第四个体进行轮换操作，具体包括：
步骤S231：为第四个体随机生成一个随机数r；r∈[0,1]；
步骤S232：判断所述第四个体所对应的随机数r是否小于轮换概率pr；
步骤S233：如果是，则将所述第四个体中类别值为k-1的节点的类别值修改为0，同时将所述第四个体中类别值为f的节点的类别值修改为f+1，得到第五个体；f∈{0,1,…k-2}；否则，将所述第四个体确定为第五个体；
步骤S24：对第五个体进行局部搜索操作；
所述对第五个体进行局部搜索操作具体包括：
步骤S241：从所述第五个体中随机选取一个第七节点；
步骤S242：将所述第七节点vdq的类别值确定为sdq，得到第六个体，并将局部搜索次数的值加1；其中，N(vdq)＝{vk|(vdq,vk)∈E}，N(vdq)是第七节点vdq的邻域，vk是第七节点vdq的邻居节点；sj为第j个节点的类别值；adqj∈{-1,0,1}，adqj＝1表示第七节点vdq和vj以正边相连，adqj＝-1表示第七点vdq和vj以负边相连，adqj＝0表示第七节点vdq和vj没有边相连；所述局部搜索次数的初始值为零；
步骤S243：判断局部搜索次数的值是否等于locK；
步骤S244：如果是，将第六个体确定为所述子代种群中的一个个体；否则，将第六个体作为更新后的第五个体返回步骤S241；
步骤S3：重复步骤2popSize次，得到子代种群。
7.一种符号网络弱不平衡度的评价系统，其特征在于，包括：
第一获取模块，用于获取符号网络G(V,E,σ)的邻接矩阵A＝(aij)n×n；其中，节点集V＝{v1,v2…,vX}，n为符号网络的节点数，n为大于1的正整数；类别集C＝{0,…，k-1}，类别集中包括全部节点的类别值，k-1为正整数；边集符号属性集σ＝{+，-}；aij∈{-1,0,1}，aij＝1表示节点vi和vj以正边相连，aij＝-1表示节点vi和vj以负边相连，aij＝0表示节点vi和vj没有边相连；
个体压缩表示生成模块，用于根据所述邻接矩阵采用轮盘赌算法生成个体压缩表示；所述个体压缩表示包括多个节点的类别值，所述个体压缩表示的节点数小于X；
第二获取模块，用于获取种群规模popSize和迭代次数预设值max Gen；其中，popSize为大于1的正整数，locK为正整数，max Gen为大于1的正整数；
初始种群生成模块，用于根据所述个体压缩表示及所述种群规模随机生成popSize个个体，得到初始种群；一个所述个体中包括多个节点的类别值；
父代种群生成模块，用于对所述初始种群初始化，得到父代种群；
子代种群生成模块，用于对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群，并将迭代次数的值加1；所述迭代次数的初始值为零；
第一判断模块，用于判断迭代次数的值是否等于迭代次数预设值max Gen；
优化种群确定模块，用于当迭代次数的值等于迭代次数预设值时，将所述子代种群确定为优化种群；否则，将所述子代种群作为更新后的父代种群返回步骤“对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作”；
符号网络的弱不平衡度确定模块，用于根据适应值函数计算所述优化种群中全部个体的适应值，将所述优化种群中适应值最大的个体确定为所述符号网络的弱不平衡度；
其中，N(vi)＝{vk|(vi,vk)∈E}，N(vi)是节点vi的邻域，vk是节点vi的邻居节点；si为第i个节点的类别值，sj为第j个节点的类别值。
8.根据权利要求7所述的系统，其特征在于，所述个体压缩表示生成模块具体包括：
节点度数确定单元，用于分别求解所述邻接矩阵的每行元素值之和，将每行元素值之和确定为每行元素值对应的节点的度数；
发送单元，用于将第一节点的第一邻居节点的类别值存入压缩数组；所述第一节点为邻接矩阵对应节点中度数为1的节点；
第一邻接矩阵生成单元，用于将所述第一邻居节点的度数修改为0，并将第二邻居节点的度数减1，得到第一邻接矩阵；所述第二邻居节点为所述第一邻居节点的邻居节点；
第二节点确定单元，用于根据所述第一邻接矩阵采用轮盘赌算法确定一个第二节点，将所述第二节点的类别值存入所述压缩数组；所述第二节点的度数大于0；
第二邻接矩阵生成单元，用于将所述第二节点的度数修改为0，并将所述第二节点的邻居节点的度数减1，得到第二邻接矩阵；
第二判断单元，用于判断所述第二邻接矩阵中的所有元素值是否全部等于0；
个体压缩表示确定单元，用于当判断结果表示第二邻接矩阵中的所有元素值全部等于0时，将存入所述压缩数组的节点的类别值集合确定为所述个体压缩表示；否则，将所述第二邻接矩阵作为更新后的第一邻接矩阵返回“根据所述第一邻接矩阵采用轮盘赌算法确定一个第二节点”；所述个体压缩表示中类别值的个数为Y，Y＜X。
CN201810958236.4A 2018-08-22 2018-08-22 一种符号网络弱不平衡度的评价方法及系统 Active CN109063176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810958236.4A CN109063176B (zh) 2018-08-22 2018-08-22 一种符号网络弱不平衡度的评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810958236.4A CN109063176B (zh) 2018-08-22 2018-08-22 一种符号网络弱不平衡度的评价方法及系统

Publications (2)

Publication Number Publication Date
CN109063176A true CN109063176A (zh) 2018-12-21
CN109063176B CN109063176B (zh) 2021-05-04

Family

ID=64687918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810958236.4A Active CN109063176B (zh) 2018-08-22 2018-08-22 一种符号网络弱不平衡度的评价方法及系统

Country Status (1)

Country Link
CN (1) CN109063176B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276448A (zh) * 2019-06-04 2019-09-24 深圳前海微众银行股份有限公司 一种模型压缩方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006019611A2 (en) * 2004-08-09 2006-02-23 Cisco Technology, Inc. A transmit system employing an antenna and balanced amplifier architecture which provides power amplifier load balancing independent of single or dual signal operation of the transmitter
CN102339344A (zh) * 2011-05-25 2012-02-01 深圳大学 一种动态再结晶模型参数反分析识别方法
CN105226691A (zh) * 2015-11-11 2016-01-06 重庆大学 一种孤立微电网混合储能优化配置方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006019611A2 (en) * 2004-08-09 2006-02-23 Cisco Technology, Inc. A transmit system employing an antenna and balanced amplifier architecture which provides power amplifier load balancing independent of single or dual signal operation of the transmitter
CN102339344A (zh) * 2011-05-25 2012-02-01 深圳大学 一种动态再结晶模型参数反分析识别方法
CN105226691A (zh) * 2015-11-11 2016-01-06 重庆大学 一种孤立微电网混合储能优化配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
常新功等: "WSB_EA进化算法的符号网络弱结构平衡分析", 《智能系统学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276448A (zh) * 2019-06-04 2019-09-24 深圳前海微众银行股份有限公司 一种模型压缩方法及装置
CN110276448B (zh) * 2019-06-04 2023-10-24 深圳前海微众银行股份有限公司 一种模型压缩方法及装置

Also Published As

Publication number Publication date
CN109063176B (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
Zhang et al. A network reduction-based multiobjective evolutionary algorithm for community detection in large-scale complex networks
Leskovec et al. Scalable modeling of real graphs using kronecker multiplication
CN102594909A (zh) 基于共邻矩阵谱信息的多目标社区检测方法
CN107276843B (zh) 一种基于Spark平台的多目标进化社区检测方法
Gu et al. Learning universal network representation via link prediction by graph convolutional neural network
CN110619082B (zh) 一种基于重复搜索机制的项目推荐方法
Panizo-LLedot et al. A multi-objective genetic algorithm for detecting dynamic communities using a local search driven immigrant’s scheme
Gamage et al. Multi-motifgan (mmgan): Motif-targeted graph generation and prediction
Yoo et al. Supervised belief propagation: Scalable supervised inference on attributed networks
Šubelj Label propagation for clustering
CN109063176B (zh) 一种符号网络弱不平衡度的评价方法及系统
CN104156462B (zh) 基于元胞自动学习机的复杂网络社团挖掘方法
Das et al. Markov clustering algorithms and their application in analysis of PPI network of malaria genes
Gong et al. Computational intelligence for network structure analytics
Du et al. Combining quantum-behaved PSO and K2 algorithm for enhancing gene network construction
Liu et al. A compression-based multi-objective evolutionary algorithm for community detection in social networks
CN109859062A (zh) 一种结合深度稀疏编码器和拟牛顿法的社区发现分析方法
Xie et al. Two heuristic algorithms for the minimum weighted connected vertex cover problem under greedy strategy
Bidlo et al. Evolutionary development of growing generic sorting networks by means of rewriting systems
CN111104571A (zh) 一种基于比特币交易时序序列相似性的用户聚类方法
Villagra et al. A methodology for the hybridization based in active components: The case of cGA and scatter search
Morgan et al. Neural Loss Function Evolution for Large-Scale Image Classifier Convolutional Neural Networks
Panizo et al. Community finding in dynamic networks using a genetic algorithm improved via a hybrid immigrants scheme
Saif et al. Detecting Overlapping Communities in Complex Networks: An Evolutionary Label Propagation Approach
Czaplak et al. Automatic optimization of hyperparameters using associative self-adapting structures

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant