CN112132433A - 一种基于新颖性搜索的多目标头脑风暴社区检测方法 - Google Patents

一种基于新颖性搜索的多目标头脑风暴社区检测方法 Download PDF

Info

Publication number
CN112132433A
CN112132433A CN202010966971.7A CN202010966971A CN112132433A CN 112132433 A CN112132433 A CN 112132433A CN 202010966971 A CN202010966971 A CN 202010966971A CN 112132433 A CN112132433 A CN 112132433A
Authority
CN
China
Prior art keywords
community
population
external
solution
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.)
Withdrawn
Application number
CN202010966971.7A
Other languages
English (en)
Inventor
潘晓英
王佳
李红叶
廉佳
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202010966971.7A priority Critical patent/CN112132433A/zh
Publication of CN112132433A publication Critical patent/CN112132433A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

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

Abstract

本发明涉及一种基于新颖性搜索的多目标头脑风暴社区检测方法。包括以下步骤：读取输入网络；初始化种群；利用种群中的所有解来更新外部存档EP；精英个体扰动；获取新颖性解；在外部存档与当前种群中随机选择个体C1与C2；在外部存档与新颖性解随机选择个体C1与C2；计算新种群的NRA与RC值，并更新外部存档；当外部存档Q次未更新或者达到迭代次数p，执行重启动操作，返回步骤2；判断是否满足终止条件，如果是计算外部存档的模块度Q值和最大规范化互信息NMI值，否则返回步骤3；输出一组划分网络结构。本发明方法能有效避免早熟收敛，增强了个体的全局搜索能力；能保持种群的多样性以及有效避免早熟收敛。

Description

一种基于新颖性搜索的多目标头脑风暴社区检测方法
技术领域
本发明涉及复杂网络社区检测技术领域，尤其涉及一种基于新颖性搜索的多目标头脑风暴社区检测方法。
背景技术
检测复杂网络中社区结构有着非常重要的意义，因为研究者们发现复杂网络的社区结构反映的是一个大网络中各集聚的小网络分布和相互联系的状况，这些小网络内部的点之间连接紧密，而小网络与外部的点连接稀疏，同时这些小网络内部的点具有相同的功能和潜藏的信息。因此检测出复杂网络中的社区结构能有助于更好了解网络系统组织结构，同时能挖掘出网络系统组织结构的功能。
社区检测实际就是一种网络聚类的方法，社区检测方法很多，主要包括基于启发式的社区检测算法和基于优化的社区检测算法，随着智能群体优化算法的应用普及，基于优化的社区划分算法也越来越被重视，这种方法本质就是通过优化特定的目标函数来搜索复杂网络理想的社区划分，通过定义最优化目标函数，然后通过某种策略来进行网络结构的划分。
Tasgin等人采用GA算法优化社区模块度Q函数来识别社区之间的稀疏连接和密集连接划分。见Tasgin M,Herdagdelen A,Bingol H.Community Detection in ComplexNetworks Using Genetic Algorithms[J].Corrosion Houston Tx,2007,2005(3120).该方法不需要事先知道网络社区熟练，速度快，适合大型复杂网络。基于单目标优化算法在时间效率上占有优势，但无法在实际应用中的网络社区检测问题中兼顾多个目标的要求。
J Qu等人提出一种基于粒子群的快速社区发现算法，该算法主要结合粒子群算法，选取模块度作为优化目标函数，从而控制种群中的粒子朝着模块度较高的位置移动，最终得到模块度最优的社区结构划分。见Qu J.Fast PSO algorithm for communitydetection in graph[C]//2013International Conference of Information Scienceand Management Engineering.2013.这种基于粒子群的社区算法有着较少的参数配置和较高的收敛性，但存在容易陷入局部最优的缺点，需要设计出合理的粒子群更新策略，才能保证算法的精确性。
Hao Jiang提出了一种基于新的链路预测策略的社区检测方法。首先使用设计的基于中央节点的链路预测策略来添加、删除边缘，以便增强网络的社区结构。然后，采用社区扩展策略来检测网络中的所有社区。见Jiang H,Liu Z,Liu C,et al.Communitydetection in complex networks with an ambiguous structure using central nodebased link prediction[J].195.但是，由于提出的链路预测策略需要计算大量节点对的相似度，因此该算法非常耗时。
发明内容
本发明提供一种基于新颖性搜索的多目标头脑风暴社区检测方法，解决现有技术中多目标优化问题中保持种群多样性的同时陷入局部最优的缺点。
为实现上述目的，本发明技术方案如下：
一种基于新颖性搜索的多目标头脑风暴的社区检测方法，包括以下步骤：
步骤1、读取输入网络，利用LAR编码初始化算法；
步骤2、初始化种群：随机生成初始种群大小popnum，计算初始解的社区内部连接比例NRA和社区外部连接比例RC值；
步骤3、利用种群中的所有解来更新外部存档EP；
步骤4、精英个体扰动：在外部存档EP中随机选择一个个体C1进行扰动生成新个体；
步骤5、获取新颖性解：将外部存档EP中的解与原始种群的解进行社区内部连接比例NMI值计算，将NMI值小的作为新颖性解；
步骤6、在外部存档与当前种群中随机选择个体C1与C2，即精英解和普通解两点交叉融合生成新个体；
步骤7、在外部存档与新颖性解随机选择个体C1与C2，即精英个体和新颖个体两点交叉融合生成新个体；
步骤8、计算新种群的NRA与RC值，并更新外部存档；
步骤9、当外部存档Q次未更新或者达到迭代次数p，执行重启动操作，返回步骤2；
步骤10、判断是否满足终止条件，如果是计算外部存档的模块度Q值和最大规范化互信息NMI值，否则返回步骤3；
步骤11、输出一组划分网络结构。
所述步骤2中，计算初始解的NRA和RC值的公式如下：
Figure BDA0002682697480000031
其中，k为社区的个数，i∈{1,2,···m},Vi是社区i内部所有节点集合，
Figure BDA0002682697480000032
是社团i外部连接的节点集合，|Vi|是社团i内部节点的个数，L(Vi,Vi)为社团i内的边数，
Figure BDA0002682697480000033
为社团i与外部节点的边数；
将社区内部连接比例NRA与社区外部连接比例RC作为目标函数，RC是社区间连接的密度之和，NRA是社区内节点之间连接的密度之和，如公式1所示，其中Vi∈P,
Figure BDA0002682697480000034
与现有技术相比，本发明的技术方案有益效果如下：
现有技术中，绝大多数基于启发优化的复杂网络社区检测算法都是以某种单一的社区结构质量评价优劣的，而本发明社区质量评判指标的多样性使得网络社区结构分析能够更有决策，引入新颖性搜索使得在保证群体多样性同时，能有效避免早熟收敛，增强了个体的全局搜索能力；其次在个体陷入局部最优点之后，利用重启动操作帮助个体逃离局部最优点。本发明专利针对复杂网络社区检测问题提出头脑风暴优化算法，将新颖性搜索的思想融入了头脑风暴优化算法产生新个体的机制有较好的全优化能力，能保持种群的多样性以及有效避免早熟收敛。
附图说明
图1为所设计的头脑风暴优化算法流程图；
图2为基于节点邻居有序表的编码示意图；
其中，图2(a)为含有11个节点的网络，图2(b)为基于邻居节点的编码方式，图2(c)为解码后的连通子图；
图3为新颖性搜索机制；
图4为MOBSO-NS算法在karate网络上的社区结构划分识别图；
图5为MOBSO-NS算法在Dolphin网络上的社区结构划分识别图；
图6为MOBSO-NS算法在Polbooks网络上的社区结构划分识别图；
图7为MOBSO-NS算法在Football网络上的社区结构划分识别图；
图8为α、β、λ取不同值时在数据集Karate的折线图；
图9为α、β、λ取不同值时在数据集Dolphins的折线图；
图10为α、β、λ取不同值时在数据集Football的折线图；
图11为α、β、λ取不同值时在数据集Political Books的折线图。
具体实施方式
以下将结合实流程和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。
本实施例提供一种基于新颖性搜索的多目标头脑风暴社区检测方法，具体包括：
步骤1读取输入网络，利用LAR编码初始化算法；
步骤2初始化种群：设置初始种群大小popnum，利用LAR编码随机生成popnum个初始解s，根据公式1计算s的NRA和RC值；
2.1基于邻居节点的编码方式主要分为4步：确定每个节点邻居集合、选择每个节点邻居、构建编码列表及解码过程。以图2为例，过程如下：
a)确定每个节点邻居集合
在网络拓扑结构中，每个节点通过边相连接的所有节点称为该节点的邻居集合。图2(a)给出了11个节点的拓扑结构，以节点7为例，与其相连的节点有4，6，8，即节点7的邻居集合为{4,6,8}。
b)选择每个节点邻居
每一个节点都将从邻居集合中随机选择一个邻居作为当前节点的邻居，如果第i个节点对应的基因值为j，可解释为节点i和节点j之间存在连边。根据图2(b)ID为7的第七个节点取基因值为8，在相应的图中，存在从节点7指向节点8的边。
c)构建编码列表
将每个节点和其随机选择的邻居节点构成的列表定义为编码列表，如图2(b)所示，position为节点位置，Genotype则为每个节点随机选择的邻居所构成的基因位。
d)解码过程
解码过程是将编码后得到的列表转化为与图相对应的社区结构，解码的过程需要找出所有的社区划分，如图2(c)所示，网络被划分为3个社区，{1，2，3}、{3，4，6，7，8}、{9，10，11}。
2.2计算目标函数值。
最小化NRA和RC函数可以确保发现社区密集的内部连接和稀疏的内部连接。优化K导致减少社区数量，优化RC函数可以增加集群数量，这两个目标函数可以达到彼此平衡减少或增加社区数量的作用。利用公式1计算s的NRA和RC值。
Figure BDA0002682697480000051
其中，k为社区的个数，i∈{1,2,···m},Vi是社区i内部所有节点集合，
Figure BDA0002682697480000052
是社团i外部连接的节点集合，|Vi|是社团i内部节点的个数，L(Vi,Vi)为社团i内的边数，
Figure BDA0002682697480000053
为社团i与外部节点的边数。
将社区内部连接比例NRA与社区外部连接比例RC作为目标函数，RC是社区间连接的密度之和，NRA是社区内节点之间连接的密度之和，如公式1所示，其中Vi∈P,
Figure BDA0002682697480000061
步骤3利用种群中的所有解来更新外部存档EP：
算法中设置了外部存档，其作用是为了保存算法在搜索后所得到得到的非占优解即精英解。通过对个体进行目标值计算后，每个个体都需要和种群中的其他个体进行比较确定其是否为非占优解，即外部存档中存储的解越多越能代表帕累托前沿。
在本发明中，将种群中的解和外部存档的解进行非支配排序来对外部存档进行更新。在迭代搜索阶段，如果一个新的非占优解要比库中的元素更占优，那么库中的元素将会被删除出库，如果新生成种群中的非占优解是被库中的某些成员支配的，那么这个非占优解也不能进入库中。
步骤4精英个体扰动：
在外部存档EP中随机选择个体C1进行扰动生成新个体，在个体编码列表随机选择一个节点，在获取该节点的所有邻居集合中选择一个邻居作为该节点新邻居构成新的编码列表；
步骤5获取新颖性解：
传统的进化算法在进化主体的每一代中，使用单一种群搜索并且都会依据某种度量标准，选取表现最佳的个体让其产生后代，但是这种单一的选取方式会导致多样性的丢失。针对此问题，将进化种群分为精英蔟、普通蔟、新颖性蔟的多种群并行搜索以增强算法多样性。在新颖性搜索中，新颖性个体不是基于目标搜索中的最优适应度，而是在该机制中选择远离最佳个体的解即新颖性个体作为进一步进化的起点。该搜索机制可以对单个进化种群中出现的多样性丢失问题和进化停滞的问题进行纠正。
图3给出了新颖性搜索机制示意图，其中A点代表的是局部最优点，B点为全局最优点，C点则为新颖性解。不难看出C点与全局最优点B的距离小于局部最优点A。在迭代过程中，新颖性搜索机制从不同位置进行搜索，选择与当前最优适应度相反的解作为新颖性解，这在很大程度上保证了种群多样性以及收敛性的平衡性，有较好的鲁棒性。
根据上述机制，在复杂网络社区检测中，传统进化算法往往选择NMI最大值作为继续进化的起点，而这里通过最大化新颖性度量，选取最新颖个体，即NMI的最小值作为新颖性解。其具体操作是，利用设置的外部存档(存储精英解)与当前生成的种群进行非支配排序，将外部存档所得到的解与原始种群进行NMI值的比较，将NMI值最小的作为新颖性个体。在个体更新策略中，将外部存档中的解作为精英解与新颖性解进行两点交叉融合生成两个新解。
步骤6精英解和普通解两点交叉融合生成后代
在外部存档EP和当前种群Popnum中分别随机选择一个个体C1与C2，分别选择个体编码列表，从中分别随机选择一个节点，交换相应节点的邻居；
步骤7精英个体和新颖个体融合生成新个体
在外部存档EP和新颖性解中分别随机选择一个个体C1与C2，分别选择个体编码列表，从中分别随机选择一个节点，交换相应节点的邻居；
步骤8再次计算新种群的NRA与RC值，并更新外部存档EP；
步骤9重启动操作：
在本发明中，重启动判断条件分为以下两点：
迭代过程中若连续Q次外部非支配种群都相同，即Q次没有继续更新则认为此时的种群收敛到局部最优。在本发明中，Q被称为外部存档未更新最大次数，Q的取值根据不同的数据集确定。
P为最大重启动迭代次数，迭代次数达到P，就执行重启动策略。
步骤10判断算法是否满足最大评价次数，若满足则返回精英解，并最终输出具有最大Q值和最大NMI值的解，若不满足终止条件则跳转至步骤4。
步骤11、输出一组划分网络结构。
本发明的效果可以通过以下实验验证:
1参数设置
为了验证本发明所提算法的检测性能，在MAC OS X环境下，使用python3.7对算法进行编程实现，分别利用真实网络对算法性能进行了仿真实验，采用规范化互信息对试验结果进行衡量。其中所有数据集的最大评价次数MaxIter设置为160，种群数量Popnum各个数据集均为100，精英簇通过突变生成部分新种群α比为0.5，精英簇和普通簇融合生成部分新种群β占比为0.4，精英簇和新颖性簇融合生成部分新种群λ占比为0.1，EP(外部存档没有被更新)重启动参数Q为5，迭代次数重启动参数P为20。
表1 MOBSO-NS实验结果
Figure BDA0002682697480000081
算法中设置了三种个体生成操作，涉及到α、β、λ三个参数，α为精英个体扰动产生后代占比，β为精英簇和普通簇融合生成部分新种群占比，λ为精英簇和新颖性簇融合生成部分新种群占比。为了保证实验结果的有效性，应给精英蔟分配较大权重，普通蔟与新颖性蔟作为辅助来保持种群多样性，即α的取值都保证在0.5以上。本发明将参数α设置为：从0.5开始以0.1为步长逐渐到0.8，四个取值；β对应取值为0.4、0.2、0.2、0.1；λ取值依次为0.1、0.2、0.1、0.1。其余参数保持不变通过对试验结果进行NMImax、NMIavg、Qmax、Qavg的统计如表2-表4。图8-图11分别为四个数据集Karate、Dolphin、Football和Political Books在α、β、λ三个参数的取值的NMIavg折线图。
表2参数α取值为0.6，β取值0.2，λ取值0.2
Figure BDA0002682697480000082
Figure BDA0002682697480000091
表3参数α取值为0.7，β取值0.2，λ取值0.1
Figure BDA0002682697480000092
表4参数α取值为0.8，β取值0.1，λ取值0.1
Figure BDA0002682697480000093
2评价指标
通过对基于优化方法的复杂网络聚类相关问题进行研究，算法选择最为常见的2个社区质量评判指标(Q,NMI)作为目标函数。
模块化标准用于衡量网络中已识别社区的良好程度，被认为Q值越大，社区结构越强，模块化的定义是，落入社区中的边的分数减去对这些边进行随机分配所得到的概率期望值，而边在网络中随机落入，与社区的结构无关。令k为在网络内部发现的簇数，ei是i簇内连接节点的边的总数，而di是i中节点的总和，m是网络中边的总数。模块度的标准值一般在[-0.5，1]范围内，大多数实际网络的模块化值在[0.3，0.7]范围内。如果该值大于0.3就表示这是一个重要的社区结构。
Figure BDA0002682697480000101
其中规范化互信息(Normalized Mutual Information，简记为NMI)来衡量实际社团划分与所检测出来的社团的相似性。给定网络的两种划分A和B，设C表示混合矩阵，其元素Cij表示划分A中的社团i里面的顶点在划分B中的社团j里面也出现的个数。根据信息论的原理，规范化互信息NMI(A,B)定义如下：
Figure BDA0002682697480000102
其中C和C分别表示划分A和B中社团的个数，C.i表示C中第i行元素之和，C.j表C中第j列元素之和，n表示网络的顶点个数。NMI的取值在0到1之间，如果划分A和B完全一致，那么NMI取得最大值为1，如果划分A和B完全不一致，比如整个网络被检测为一个社团，则NMI取得最小值为0。
3.实验内容及结果
对每一个网络，算法运行30次。每次运行后，选取最好的Q值与NMI值划分并记录其值，30次运行结束后对每次选取最好的Q值与NMI取平均值。图4和图5分别显示了通过MOBSO-NS在karate空手道俱乐部网络和海豚社交网络上检测到的真实社区。得出结论算法能够检测出karate和Dolphin网络的真实结构。
图6显示了政治书网络方法所产生的具有最高NMI和模块化的划分结构。算法产生了3个群集，这些群集恰好等于政治书网络中正确的社区数量。
在图7中显示了MOBSO-NS算法在美国大学生足球联赛Football网络上检测到的NMI最大值的社区。MOBSO-NS产生了11个社区，正确的划分社区数量为12。
综上所述，本发明对解决复杂网络社区发现提供一种有效的解决办法。
以上应用了具体个例对本发明进行了具体说明，但本发明创造并不限于所述个例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同推演、变形或替换，这些等同的推演、变形或替换均包含在本申请权利要求所限定的范围内。

Claims (2)

1.一种基于新颖性搜索的多目标头脑风暴的社区检测方法，包括以下步骤：
步骤1、读取输入网络，利用LAR编码初始化算法；
步骤2、初始化种群：随机生成初始种群大小popnum，计算初始解的社区内部连接比例NRA和社区外部连接比例RC值；
步骤3、利用种群中的所有解来更新外部存档EP；
步骤4、精英个体扰动：在外部存档EP中随机选择一个个体C1进行扰动生成新个体；
步骤5、获取新颖性解：将外部存档EP中的解与原始种群的解进行社区内部连接比例NMI值计算，将NMI值小的作为新颖性解；
步骤6、在外部存档与当前种群中随机选择个体C1与C2，即精英解和普通解两点交叉融合生成新个体；
步骤7、在外部存档与新颖性解随机选择个体C1与C2，即精英个体和新颖个体两点交叉融合生成新个体；
步骤8、计算新种群的NRA与RC值，并更新外部存档；
步骤9、当外部存档Q次未更新或者达到迭代次数p，执行重启动操作，返回步骤2；
步骤10、判断是否满足终止条件，如果是计算外部存档的模块度Q值和最大规范化互信息NMI值，否则返回步骤3；
步骤11、输出一组划分网络结构。
2.根据权利要求1所述基于新颖性搜索的多目标头脑风暴的社区检测方法，包括以下步骤：所述步骤2中，计算初始解的NRA和RC值的公式如下：
Figure FDA0002682697470000011
其中，k为社区的个数，i∈{1,2,···m},Vi是社区i内部所有节点集合，
Figure FDA0002682697470000012
是社团i外部连接的节点集合，|Vi|是社团i内部节点的个数，L(Vi,Vi)为社团i内的边数，
Figure FDA0002682697470000021
为社团i与外部节点的边数；
将社区内部连接比例NRA与社区外部连接比例RC作为目标函数，RC是社区间连接的密度之和，NRA是社区内节点之间连接的密度之和，如公式1所示，其中Vi∈P,
Figure FDA0002682697470000022
CN202010966971.7A 2020-09-15 2020-09-15 一种基于新颖性搜索的多目标头脑风暴社区检测方法 Withdrawn CN112132433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010966971.7A CN112132433A (zh) 2020-09-15 2020-09-15 一种基于新颖性搜索的多目标头脑风暴社区检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010966971.7A CN112132433A (zh) 2020-09-15 2020-09-15 一种基于新颖性搜索的多目标头脑风暴社区检测方法

Publications (1)

Publication Number Publication Date
CN112132433A true CN112132433A (zh) 2020-12-25

Family

ID=73846804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010966971.7A Withdrawn CN112132433A (zh) 2020-09-15 2020-09-15 一种基于新颖性搜索的多目标头脑风暴社区检测方法

Country Status (1)

Country Link
CN (1) CN112132433A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393085A (zh) * 2021-05-18 2021-09-14 国网湖北省电力有限公司电力科学研究院 一种考虑灵活性供需平衡以及响应速度的集群的划分方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393085A (zh) * 2021-05-18 2021-09-14 国网湖北省电力有限公司电力科学研究院 一种考虑灵活性供需平衡以及响应速度的集群的划分方法

Similar Documents

Publication Publication Date Title
CN107391512B (zh) 知识图谱预测的方法和装置
CN106789320B (zh) 一种用于优化无线传感器网络拓扑的多种群协同进化方法
CN109544998A (zh) 一种基于分布估计算法的航班时隙分配多目标优化方法
CN107092812B (zh) 一种在ppi网络中基于遗传算法识别关键蛋白质的方法
CN111141992B (zh) 利用ftu遥信和遥测数据的自适应分层区段定位方法
CN103838820A (zh) 基于近邻传播的进化多目标优化社区检测方法
CN110046774A (zh) 一种配电网故障定位方法、装置及相关设备
CN115391385A (zh) 一种基于蚁群遗传动态融合算法的数据库查询优化方法
CN109509509A (zh) 基于动态加权蛋白质相互作用网络的蛋白质复合物挖掘方法
CN112070418A (zh) 一种多目标鲸鱼优化算法的武器目标分配方法
CN112132433A (zh) 一种基于新颖性搜索的多目标头脑风暴社区检测方法
CN106658570B (zh) 基于二次栅格划分的移动sink信息收集路径构建方法
Chen et al. Detecting community structures in social networks with particle swarm optimization
Liu et al. Evolutionary multi-objective optimization in searching for various antimicrobial peptides [feature]
CN107169594B (zh) 一种车辆路径问题的优化方法及装置
CN111462812B (zh) 一种基于特征层次的多目标系统发育树构建方法
CN107396375B (zh) 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法
CN113344140A (zh) 一种基于剪枝条件的不确定数据序列扫描方法及系统
Wang Optimization of wireless network node deployment in smart city based on adaptive particle swarm optimization
Shi et al. Multi-objective decisionmaking in the detection of comprehensive community structures
CN115081744B (zh) 铝电解制造系统单位能耗预测方法
Du et al. Multi-objective optimization for overlapping community detection
Khoder et al. Community tracking in time evolving networks: an evolutionary multi-objective approach
Pan et al. Multiobjective Brain Storm Optimization Community Detection Method Based on Novelty Search
CN110427569B (zh) 一种基于粗糙集理论的改进密度峰值重叠社区发现方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201225

WW01 Invention patent application withdrawn after publication