CN112991080A - 关键节点计算方法、系统、电子设备及存储介质 - Google Patents
关键节点计算方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112991080A CN112991080A CN202110147499.9A CN202110147499A CN112991080A CN 112991080 A CN112991080 A CN 112991080A CN 202110147499 A CN202110147499 A CN 202110147499A CN 112991080 A CN112991080 A CN 112991080A
- Authority
- CN
- China
- Prior art keywords
- node
- initial
- node sets
- sets
- network
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title abstract description 31
- 238000000034 method Methods 0.000 claims description 49
- 238000005457 optimization Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 210000004556 brain Anatomy 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 2
- 238000011160 research Methods 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- 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)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种关键节点计算方法、系统、电子设备及存储介质,涉及网络技术领域。本申请的关键节点计算方法,包括:获取人际网络中的多个网络节点,根据人际网络和人际网络对应的多个网络节点,获取多个初始节点集,每一个初始节点集包括有至少一个网络节点;对每一个初始节点集进行评价,得到每一个初始节点集的适应度;根据多个初始节点集的适应度对多个初始节点集进行聚类处理,得到多个聚类节点集;根据多个聚类节点集更新多个初始节点集,根据多个更新后的初始节点集获取人际网络中的关键节点。本申请通过引入聚类操作、更新初始解等步骤,将局部探索和全局探索有效地结合在一起,能够高效地找到全局网络中最优的关键节点或次优的关键节点。
Description
技术领域
本申请涉及网络技术领域,特别涉及一种关键节点计算方法、系统、电子设备及存储介质。
背景技术
目前,网络结构普遍存在于现实生活中。现今针对网络的研究,一般将研究对象抽象为节点,将对象之间的关系抽象为边。例如社交网络的研究中,将人抽象为节点,人与人之间的关系抽象为边,两个节点之间存在边即代表两个人互相认识。然而在网络中,每个节点对网络结构的影响一般是各不相同的。有的节点对网络的影响大,有的节点则对网络的影响较小,将网络中影响较大的问题节点称为该网络中的关键节点。目前关于网络中的关键节点的检测,常用的是启发式算法,但这种启发式算法没办法高效地找到全局网络中最优的关键节点或次优的关键节点。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种关键节点计算方法、系统、电子设备及存储介质,能够高效地找到全局网络中最优的关键节点或次优的关键节点。
根据本申请的第一方面实施例的基于头脑风暴优化算法的关键节点计算方法,包括:
获取人际网络中的多个网络节点;
根据所述人际网络及所述网络节点获取多个初始节点集,每一所述初始节点集包括至少一个所述网络节点;
对每一所述初始节点集进行评价,获取每一所述初始节点集的适应度;
基于多个所述初始节点集的适应度对多个所述初始节点集进行聚类处理,获取多个聚类节点集;
根据多个所述聚类节点集,更新多个所述初始节点集;
根据多个更新后的所述初始节点集获取所述人际网络中的关键节点。
根据本申请实施例的关键节点计算方法,至少具有如下有益效果:
获取人际网络中的多个网络节点,根据人际网络和人际网络对应的多个网络节点,获取多个初始节点集,每一个初始节点集包括有至少一个网络节点;对每一个初始节点集进行评价,得到每一个初始节点集的适应度;根据多个初始节点集的适应度对多个初始节点集进行聚类处理,得到多个聚类节点集;根据多个聚类节点集更新多个初始节点集,根据多个更新后的初始节点集获取人际网络中的关键节点。本申请通过引入聚类操作,以提高关键节点计算方法的局部搜索能力,通过更新初始解,以提高关键节点计算方法的全局搜索能力。此外,整个关键节点计算方法将局部探索和全局探索有效地结合在一起,可以高效地获取到全局网络中的最优解或次优解。
根据本申请的一些实施例,所述基于多个所述初始节点集的适应度对多个所述初始节点集进行聚类处理,获取多个聚类节点集,包括:
根据多个所述初始节点集生成多个聚类节点集;
将每一所述聚类节点集里适应度最高或最低的所述初始节点集设为所述聚类节点集的中心节点集。
根据本申请的一些实施例,所述方法还包括:
获取第一预设参数以及第一随机参数;
比较所述第一预设参数和所述第一随机参数的大小关系;
根据所述大小关系判断是否需要更新所述中心节点集;
若需要更新所述中心节点集,则根据每一所述聚类节点集以及每一所述聚类节点集对应的多个所述初始节点集,将每一所述聚类节点集对应的中心节点集更换为每一所述聚类节点集对应的其中一个初始节点集。
根据本申请的一些实施例,所述根据多个所述聚类节点集,更新多个所述初始节点集,包括:
获取第二预设参数、第二随机参数以及多个所述聚类节点集;
比较所述第二预设参数和所述第二随机参数的大小关系;
根据所述大小关系,判断是否需要更新至少两个所述聚类节点集对应的多个所述初始节点集。
根据本申请的一些实施例,所述根据所述大小关系,判断需要更新至少两个所述聚类节点集对应的多个所述初始节点集,包括:
根据所述第二预设参数和所述第二随机参数的大小关系,判断需要更新多个所述中心节点集;
若需要更新多个所述中心节点集,则获取每一所述聚类节点集对应的所述中心节点集,得到至少两个所述中心节点集;
获取至少两个所述中心节点集所对应的至少两个所述网络节点;
交换至少两个所述网络节点,得到至少两个交叉节点集。
根据本申请的一些实施例,所述根据所述第二预设参数和所述第二随机参数的大小关系,判断需要更新至少两个所述聚类节点集所对应的多个所述初始节点集,包括:
根据所述第二预设参数和所述第二随机参数的大小关系,判断需要更新多个所述初始节点集;
若需要更新多个所述初始节点集,则获取每一所述聚类节点集对应的至少一个所述初始节点集,得到至少两个所述初始节点集;
获取至少两个所述初始节点集所对应的至少两个所述网络节点;
交换至少两个所述网络节点,得到至少两个交叉节点集。
根据本申请的一些实施例,每一所述交叉节点集对应的多个网络节点包括:多个第一节点,每一所述中心节点集对应的多个网络节点包括:多个第二节点;
对应的,所述方法还包括:
获取第三预设参数以及第三随机参数;
比较所述第二预设参数和所述第二随机参数的大小关系;
根据所述大小关系,判断是否需要更新至少一个所述交叉节点集;
若需要更新至少一个所述交叉节点集,则获取至少一个所述交叉节点集对应的至少一个第一节点;
获取至少一个所述中心节点集对应的至少一个第二节点;
将每一所述交叉节点集对应的所述第一节点更新为每一所述中心节点集对应的所述第二节点。
根据本申请的一些实施例,所述根据多个更新后的所述初始节点集获取所述人际网络中的关键节点,包括:
根据多个更新后的所述初始节点集,对每一所述初始节点集进行评价,获取每一所述初始节点集的适应度;
根据每一所述初始节点集的适应度,对多个所述初始节点集进行排序,得到排序结果;
根据所述排序结果以及多个更新后的所述初始节点集,筛选出多个关键节点集;
根据多个所述关键节点集,获取每一所述关键节点集对应的多个关键节点,得到所述人际网络中的多个所述关键节点。
根据本申请的第二方面实施例的基于头脑风暴算法的关键节点计算系统,包括:
获取模块:所述获取模块用于获取人际网络中的多个网络节点;根据所述人际网络及所述网络节点获取多个初始节点集,每一所述初始节点集包括至少一个所述网络节点;
评价模块:所述评价模块用于对每一所述初始节点集进行评价,获取每一所述初始节点集的适应度;
处理模块:所述处理模块用于基于多个所述初始节点集的适应度对多个所述初始节点集进行聚类处理,获取多个聚类节点集;
更新模块:所述更新模块用于根据多个所述聚类节点集,更新多个所述初始节点集;
结果模块:所述结果模块用于根据多个更新后的所述初始节点集获取所述人际网络中的关键节点。
根据本申请实施例的基于头脑风暴算法的关键节点计算系统,至少具有如下有益效果:
本申请实施例的基于头脑风暴算法的关键节点计算系统,包括获取模块、评价模块、处理模块、更新模块、结果模块,获取模块获取人际网络中的多个网络节点,根据人际网络和人际网络对应的多个网络节点,获取多个初始节点集,每一个初始节点集包括有至少一个网络节点;评价模块对每一个初始节点集进行评价,得到每一个初始节点集的适应度;处理模块根据多个初始节点集的适应度对多个初始节点集进行聚类处理,得到多个聚类节点集;更新模块根据多个聚类节点集更新多个初始节点集,结果模块根据多个更新后的初始节点集获取人际网络中的关键节点。本申请通过引入聚类操作,以提高关键节点计算方法的局部搜索能力,通过更新初始解,以提高关键节点计算方法的全局搜索能力。此外,整个关键节点计算方法将局部探索和全局探索有效地结合在一起,可以高效地获取到全局网络中的最优解或次优解。
根据本申请的第三方面实施例的电子设备,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如本申请第一方面实施例任一项所述的基于头脑风暴优化算法的关键节点计算方法。
根据本申请实施例的电子设备,至少具有如下有益效果:通过执行如第一方面实施例所述的基于头脑风暴优化算法的关键节点计算方法,获取人际网络中的多个网络节点,根据人际网络和人际网络对应的多个网络节点,获取多个初始节点集,每一个初始节点集包括有至少一个网络节点;对每一个初始节点集进行评价,得到每一个初始节点集的适应度;根据多个初始节点集的适应度对多个初始节点集进行聚类处理,得到多个聚类节点集;根据多个聚类节点集更新多个初始节点集,根据多个更新后的初始节点集获取人际网络中的关键节点。本申请通过引入聚类操作,以提高关键节点计算方法的局部搜索能力,通过更新初始解,以提高关键节点计算方法的全局搜索能力。此外,整个关键节点计算方法将局部探索和全局探索有效地结合在一起,能够高效地找到全局网络中最优的关键节点或次优的关键节点。
根据本申请的第四方面实施例的计算机可读存储介质,包括:
所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行如本申请第一方面实施例所述的基于头脑风暴优化算法的关键节点计算方法。
根据本申请实施例的计算机可读存储指令,至少具有如下有益效果:通过执行如第一方面实施例所述的基于头脑风暴优化算法的关键节点计算方法,获取人际网络中的多个网络节点,根据人际网络和人际网络对应的多个网络节点,获取多个初始节点集,每一个初始节点集包括有至少一个网络节点;对每一个初始节点集进行评价,得到每一个初始节点集的适应度;根据多个初始节点集的适应度对多个初始节点集进行聚类处理,得到多个聚类节点集;根据多个聚类节点集更新多个初始节点集,根据多个更新后的初始节点集获取人际网络中的关键节点。本申请通过引入聚类操作,以提高关键节点计算方法的局部搜索能力,通过更新初始解,以提高关键节点计算方法的全局搜索能力。此外,整个关键节点计算方法将局部探索和全局探索有效地结合在一起,能够高效地找到全局网络中最优的关键节点或次优的关键节点。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
下面结合附图和实施例对本申请做进一步的说明,其中:
图1为本申请一些实施例提供的基于头脑风暴优化算法的关键节点计算方法的流程图;
图2为本申请另一些实施例提供的基于头脑风暴优化算法的关键节点计算方法的流程图;
图3为本申请另一些实施例提供的基于头脑风暴优化算法的关键节点计算方法的流程图;
图4为本申请另一些实施例提供的基于头脑风暴优化算法的关键节点计算方法的流程图;
图5为本申请另一些实施例提供的基于头脑风暴优化算法的关键节点计算方法的流程图;
图6为本申请另一些实施例提供的基于头脑风暴优化算法的关键节点计算方法的流程图;
图7为本申请另一些实施例提供的基于头脑风暴优化算法的关键节点计算方法的流程图;
图8为本申请另一些实施例提供的基于头脑风暴优化算法的关键节点计算方法的流程图;
图9为本申请一些实施例提供的基于头脑风暴优化算法的关键节点计算系统的模块结构框图。
附图标记:
获取模块100,评价模块200,处理模块300,更新模块400,结果模块500。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
目前,网络结构普遍存在于现实生活中。现今针对网络的研究,一般将研究对象抽象为节点,将对象之间的关系抽象为边。例如社交网络的研究中,将人抽象为节点,人与人之间的关系抽象为边,两个节点之间存在边即代表两个人互相认识。然而在网络中,每个节点对网络结构的影响一般是各不相同的。有的节点对网络的影响大,有的节点则对网络的影响较小,将网络中影响较大的问题节点称为该网络中的关键节点。目前关于网络中的关键节点的检测,常用的是启发式算法,但这种启发式算法没办法高效地找到全局网络中最优的关键节点或次优的关键节点。
基于此,本申请提出一种关键节点计算方法、系统、电子设备及存储介质,能够获取人际网络中的多个网络节点,根据人际网络和人际网络对应的多个网络节点,获取多个初始节点集,每一个初始节点集包括有至少一个网络节点;对每一个初始节点集进行评价,得到每一个初始节点集的适应度;根据多个初始节点集的适应度对多个初始节点集进行聚类处理,得到多个聚类节点集;根据多个聚类节点集更新多个初始节点集,根据多个更新后的初始节点集获取人际网络中的关键节点。本申请通过引入聚类操作,以提高关键节点计算方法的局部搜索能力,通过更新初始解,以提高关键节点计算方法的全局搜索能力。此外,整个关键节点计算方法将局部探索和全局探索有效地结合在一起,能够高效地找到全局网络中最优的关键节点或次优的关键节点。
第一方面,本申请实施例提供了一种基于头脑风暴优化算法的关键节点计算方法。
参照图1,图1为本申请一些实施例提供的基于头脑风暴优化算法的关键节点计算方法的流程图,具体包括步骤:
S100,获取人际网络中的多个网络节点;
S200,根据人际网络及网络节点获取多个初始节点集,每一初始节点集包括至少一个网络节点;
S300,对每一初始节点集进行评价,获取每一初始节点集的适应度;
S400,基于多个初始节点集的适应度对多个初始节点集进行聚类处理,获取多个聚类节点集;
S500,根据多个聚类节点集,更新多个初始节点集;
S600,根据多个更新后的初始节点集获取人际网络中的关键节点。
在步骤S100中,获取人际网络中的多个网络节点,人际网络的具体形式为:G=(V,E),其中|V|代表网络中的网络节点个数。
在步骤S200中,根据人际网络G=(V,E)以及多个网络节点,设关键节点的个数为k<|V|,随机初始化p个初始节点集,每一个初始节点集为pi=[v1,v2,…,vk],vk∈V,其中每一初始节点集包含多个预设的关键节点。
在步骤S300中,基于步骤S200中生成的p个初始节点集,利用关键节点评价方法对每一个初始节点集进行评价。例如,可以用最小化成对节点连通性,如公式(1)所示,计算步骤S200中生成的每一个初始节点集的适应度值f(pi)。
其中G=(V,E)是本申请实施例提到的人际网络,S是一组关键节点,删除关键节点后的剩余人际网络图用G[V\S]表示。如果网络中的两点i和j可以通过边互相连通,则i与j的成对连通性是1,否则是0。Ci表示剩余人际网络图中的连通分量,即连通子图,δi表示该连通分量的点的个数。
在步骤S400中,对步骤S300中的p个初始节点集进行聚合,聚合后生成c个聚类节点集,可以利用不同的聚类算法,如k-means聚类算法。此处的聚类节点集个数c与聚类节点集中初始节点集的个数视具体的聚类方法以及网络规模而定,如在k-means聚类中,聚类节点集个数c需设定,但聚类节点集对应的初始节点集的个数不需设定。
在一些实施例中,如图2所示,步骤S400具体包括步骤:
S410,根据多个初始节点集生成多个聚类节点集;
S420,将每一聚类节点集里适应度最高或最低的初始节点集设为聚类节点集的中心节点集。
在步骤S410中,对p个初始节点集进行聚合,聚合后生成c个聚类节点集。
在步骤S420中,并根据步骤S300中的p个初始节点集的评价值,即根据步骤S300中的公式(1)计算出的每个初始节点集的适应度值f(pi)。根据实际需求,在c个聚类节点集中选择适应度最高或最低的初始节点集为中心节点集。其中每个聚类节点集的具体形式为:
pm,pi代表非中心节点集,代表基于步骤S300中的每一个初始节点集的适应度值选择的在该聚类节点集里适应度值最好的初始节点集为中心节点集,其余如pm,pi代表非中心节点集,其中pm属于聚类节点集C1并代表聚类节点集C1中的非中心节点集,pi属于聚类节点集Cc并代表聚类节点集Cc中的非中心节点集。
在一些实施例中,如图3所示,步骤S400具体还包括步骤:
S430,获取第一预设参数以及第一随机参数;
S440,比较第一预设参数和第一随机参数的大小关系;
S450,根据大小关系判断是否需要更新中心节点集;
S460,若需要更新中心节点集,则根据每一聚类节点集以及每一聚类节点集对应的多个初始节点集,将每一聚类节点集对应的中心节点集更换为每一聚类节点集对应的其中一个初始节点集。
在步骤S430中,基于步骤S420中的聚类结果,随机生成第一随机参数rand_1∈(0,1),并将rand_1与第一预设参数h_1∈(0,1)比较,此步操作是为了防止算法陷入局部最优解,即通过引入随机参数的形式,以一定的概率使算法跳出局部最优解。
在步骤S440中,比较第一预设参数h_1∈(0,1)和第一随机参数rand_1∈(0,1)的大小关系;
在步骤S450中,如果所生成的第一随机参数rand_1>h_1,则判断出需要更新中心节点集;
在步骤S460中,如果步骤S450判断出需要更新中心节点集,则随机选择一个聚类节点集,并在该聚类节点集里随机选择一个初始节点集替换掉中心节点集,例如选择聚类节点集C1,并随机选择初始节点集pm替换掉原来的中心节点集则新的聚类节点集C′1具体形式为:聚类节点集C′1更新后的中心节点集为
需要说明的是,如果rand_1≤h_1,则维持步骤420中的聚类节点集以及中心节点集不变。
在步骤S500中,根据多个聚类节点集,更新多个初始节点集。
在一些实施例中,如图4所示,步骤S500具体包括步骤:
S510,获取第二预设参数、第二随机参数以及多个聚类节点集;
S520,比较第二预设参数和第二随机参数的大小关系;
S530,根据大小关系,判断是否需要更新至少两个聚类节点集对应的多个初始节点集。
在步骤S510中,基于步骤S420或步骤S460中的聚类节点集,随机生成第二随机参数rand_2∈(0,1),并将rand_2与第二预设参数h_2∈(0,1)比较,此步操作是为了防止算法陷入局部最优解,即通过引入随机参数的形式,以一定的概率使算法跳出局部最优解。
在步骤S520中,比较第二预设参数h_2∈(0,1)和第二随机参数rand_2∈(0,1)的大小关系;
在步骤S530中,如果所生成的第二随机参数rand_2>h_2,则判断出需要更新至少两个聚类节点集对应的多个初始节点集;
在一些实施例中,如图5所示,步骤S530具体包括步骤:
S531,根据第二预设参数和第二随机参数的大小关系,判断需要更新多个中心节点集;
S532,若需要更新多个中心节点集,则获取每一聚类节点集对应的中心节点集,得到至少两个中心节点集;
S533,获取至少两个中心节点集所对应的至少两个网络节点;
S534,交换至少两个网络节点,得到至少两个交叉节点集。
在步骤S531中,如果所生成的第二随机参数rand_2>h_2,则判断出需要更新至少两个聚类节点集对应的多个中心节点集;
在步骤S534中,交换至少两个网络节点,得到至少两个交叉节点集,在这一步骤中,可以采用交叉操作的方式。不同交叉操作选择节点数量与节点位置均有不同,针对不同情况可以选择不同的交叉操作,例如采用单点交叉操作的方式,即针对同一位置的两个网络节点进行交换,具体操作如下:
交换两个网络节点后,两个新的中心节点集如下:
在一些实施例中,如图6所示,步骤S530具体还包括步骤:
S535,根据第二预设参数和第二随机参数的大小关系,判断需要更新多个初始节点集;
S536,若需要更新多个初始节点集,则获取每一聚类节点集对应的至少一个初始节点集,得到至少两个初始节点集;
S537,获取至少两个初始节点集所对应的至少两个网络节点;
S538,交换至少两个网络节点,得到至少两个交叉节点集。
在步骤S535中,如果所生成的第二随机参数rand_2≤h_2,则判断出需要更新至少两个聚类节点集里除了中心节点集之外的初始节点集,也就是非中心节点集;
在步骤S536中,如果步骤S531判断出需要更新多个非中心节点集,则获取每一聚类节点集对应的非中心节点集,得到至少两个非中心节点集,例如,选择和两个聚类节点集,并选择两个聚类节点集的非中心节点集pm和pi。
在步骤S537中,获取至少两个非中心节点集对应的至少两个网络节点,例如获取非中心节点集pm和pi,则这两个非中心节点集的具体形式为pm=[vm1,vm2,…,vmk]以及pi=[vi1,vi2,…,vik],括号内的参数表示这两个非中心节点集对应的网络节点。
在步骤S538中,交换至少两个网络节点,得到至少两个交叉节点集,在这一步骤中,可以采用交叉操作的方式。不同交叉操作选择节点数量与节点位置均有不同,针对不同情况可以选择不同的交叉操作,例如采用单点交叉操作的方式,即针对同一位置的两个网络节点进行交换,具体操作如下:
pm=[vm1,vs2,...,vsk]←→p1=[vi1,vj2,...,vjk]
交换两个网络节点后,两个新的非中心节点集如下:
p′m=[vi1,vs2,…,vsk]p′i=[vm1,vj2,…,vjk]
其中,单点交叉在两个非中心节点集中各随机选择了一个同位置的网络节点,如非中心节点集pm中的网络节点vm1以及非中心节点集pi中的网络节点vi1,将这两个网络节点互换,则得到两个新的解p′m=[vi1,vs2,…,vsk]p′i=[vm1,vj2,…,vjk]。
在一些实施例中,如图7所示,本申请实施例中提到的基于头脑风暴优化算法的关键节点计算方法具体还包括步骤:
S5391,获取第三预设参数以及第三随机参数;
S5392,比较第二预设参数和第二随机参数的大小关系;
S5393,根据大小关系,判断是否需要更新至少一个交叉节点集;
S5394,若需要更新至少一个交叉节点集,则获取至少一个交叉节点集对应的至少一个第一节点;
S5395,获取至少一个中心节点集对应的至少一个第二节点;
S5396,将每一交叉节点集对应的第一节点更新为每一中心节点集对应的第二节点。
在步骤S5391中,随机生成第三随机参数rand_3∈(0,1),并将rand_3与第三预设参数h_3∈(0,1)比较,此步操作是为了防止算法陷入局部最优解,即通过引入随机参数的形式,以一定的概率使算法跳出局部最优解。
在步骤S5392中,比较第三预设参数h_3∈(0,1)和第三随机参数rand_3∈(0,1)的大小关系;
在步骤S5393中,如果所生成的第三随机参数rand_3>h_3,则判断出需要更新至少一个交叉节点集;
在步骤S5394中,如果步骤S5393判断出需要更新至少一个交叉节点集,获取步骤S534中的交叉节点集对应的至少一个第一节点,比如获取或 中对应的任意一个节点。或者获取步骤S538中的交叉节点集对应的至少一个第一节点,比如获取p′m=[vi1,vs2,…,vsk]或p′i=[vm1,vj2,…,vjk]中对应的任意一个节点。
在步骤S5396中,将每一交叉节点集对应的第一节点更新为每一中心节点集对应的第二节点,具体为:其中,中的vj1基因被变异成新解中的v′j1基因。或者p′m=[vi1,vs2,…,vsk]→p″m=[v′i1,vs2,...,vsk],其中,p′m中的vi1基因被变异成新解p″m中的v′i1基因。
在一些实施例中,如果rand_3≤h_3,则不执行步骤S5394至步骤S5396,维持交叉节点集的值不变。
在一些实施例中,如图8所示,步骤S600具体包括步骤:
S610,根据多个更新后的初始节点集,对每一初始节点集进行评价,获取每一初始节点集的适应度;
S620,根据每一初始节点集的适应度,对多个初始节点集进行排序,得到排序结果;
S630,根据排序结果以及多个更新后的初始节点集,筛选出多个关键节点集;
S640,根据多个关键节点集,获取每一关键节点集对应的多个关键节点,得到人际网络中的多个关键节点。
在步骤S610中,根据以上步骤更新后的多个初始节点集,根据步骤S300中的公式(1)对每一个更新后的初始节点集进行评价,得到每一个初始节点集的适应度。
在步骤S620中,按照适应度的排序结果从好到坏保留p个初始节点集。
在步骤S630中,将p个初始节点集设为p关键节点集;
在步骤S640中,根据p关键节点集,关键节点集中对应的多个关键节点,根据获取到的关键节点得到人际网络中的多个关键节点。
在一些实施例中,需要判断基于头脑风暴优化算法的关键节点计算方法的终止条件。如果达到终止条件,则输出网络中的关键节点。如果没有达到终止条件。则循环步骤S400至步骤S600。其中终止条件可以是最大的评价次数,即整个算法过程中评价的所有初始节点集(包括被淘汰的初始节点集)的次数,最大的运行时间等条件。终止条件的选择根据实际问题而定,例如一些问题每做一次评价计算代价昂贵,则可以设置终止条件为较小的评价次数。如果实际问题需要在短时间内得到优化结果,则可以设置终止条件为较短的时间。终止条件的设定是为了评价算法的优劣,方便与其他算法进行对比。
在本申请实施例中,通过获取人际网络中的多个网络节点,根据人际网络和人际网络对应的多个网络节点,获取多个初始节点集,每一个初始节点集包括有至少一个网络节点;对每一个初始节点集进行评价,得到每一个初始节点集的适应度;根据多个初始节点集的适应度对多个初始节点集进行聚类处理,得到多个聚类节点集;根据多个聚类节点集更新多个初始节点集,根据多个更新后的初始节点集获取人际网络中的关键节点。本申请通过引入聚类操作,以提高关键节点计算方法的局部搜索能力,通过更新初始解,以提高关键节点计算方法的全局搜索能力。此外,整个关键节点计算方法将局部探索和全局探索有效地结合在一起,能够高效地找到全局网络中最优的关键节点或次优的关键节点。
第二方面,本申请实施例还提供了一种基于头脑风暴算法的关键节点计算系统,包括获取模块100、评价模块200、处理模块300、更新模块400、结果模块500,获取模块100获取人际网络中的多个网络节点,根据人际网络和人际网络对应的多个网络节点,获取多个初始节点集,每一个初始节点集包括有至少一个网络节点;评价模块200对每一个初始节点集进行评价,得到每一个初始节点集的适应度;处理模块300根据多个初始节点集的适应度对多个初始节点集进行聚类处理,得到多个聚类节点集;更新模块400根据多个聚类节点集更新多个初始节点集,结果模块500根据多个更新后的初始节点集获取人际网络中的关键节点。本申请通过引入聚类操作,以提高关键节点计算方法的局部搜索能力,通过更新初始解,以提高关键节点计算方法的全局搜索能力。此外,整个关键节点计算方法将局部探索和全局探索有效地结合在一起,可以高效地获取到全局网络中的最优解或次优解。
第三方面,本申请实施例还提供了一种电子设备。
在一些实施例中,电子设备包括:至少一个处理器,以及与至少一个处理器通信连接的存储器;其中,存储器存储有指令,指令被至少一个处理器执行,以使至少一个处理器执行指令时实现本申请实施例中任一项基于头脑风暴优化算法的关键节点计算方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,如本申请实施例描述的基于头脑风暴优化算法的关键节点计算方法。处理器通过运行存储在存储器中的非暂态软件程序以及指令,从而实现上述的基于头脑风暴优化算法的关键节点计算方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储执行上述基于头脑风暴优化算法的关键节点计算方法。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,比如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述的基于头脑风暴优化算法的关键节点计算方法所需的非暂态软件程序以及指令存储在存储器中,当被一个或者多个处理器执行时,执行上述第一方面实施例中提到的基于头脑风暴优化算法的关键节点计算方法。
第四方面,本申请实施例还提供了计算机可读存储介质。
在一些实施例中,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于执行第一方面实施例中提到的基于头脑风暴优化算法的关键节点计算方法。
在一些实施例中,该存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,比如,被上述电子设备中的一个处理器执行,可使得上述一个或多个处理器执行上述基于头脑风暴优化算法的关键节点计算方法。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
Claims (11)
1.基于头脑风暴优化算法的关键节点计算方法,其特征在于,包括:
获取人际网络中的多个网络节点;
根据所述人际网络及所述网络节点获取多个初始节点集,每一所述初始节点集包括至少一个所述网络节点;
对每一所述初始节点集进行评价,获取每一所述初始节点集的适应度;
基于多个所述初始节点集的适应度对多个所述初始节点集进行聚类处理,获取多个聚类节点集;
根据多个所述聚类节点集,更新多个所述初始节点集;
根据多个更新后的所述初始节点集获取所述人际网络中的关键节点。
2.根据权利要求1所述的基于头脑风暴优化算法的关键节点计算方法,其特征在于,所述基于多个所述初始节点集的适应度对多个所述初始节点集进行聚类处理,获取多个聚类节点集,包括:
根据多个所述初始节点集生成多个聚类节点集;
将每一所述聚类节点集里适应度最高或最低的所述初始节点集设为所述聚类节点集的中心节点集。
3.根据权利要求2所述的基于头脑风暴优化算法的关键节点计算方法,其特征在于,所述方法还包括:
获取第一预设参数以及第一随机参数;
比较所述第一预设参数和所述第一随机参数的大小关系;
根据所述大小关系判断是否需要更新所述中心节点集;
若需要更新所述中心节点集,则根据每一所述聚类节点集以及每一所述聚类节点集对应的多个所述初始节点集,将每一所述聚类节点集对应的中心节点集更换为每一所述聚类节点集对应的其中一个初始节点集。
4.根据权利要求1所述的基于头脑风暴优化算法的关键节点计算方法,其特征在于,所述根据多个所述聚类节点集,更新多个所述初始节点集,包括:
获取第二预设参数、第二随机参数以及多个所述聚类节点集;
比较所述第二预设参数和所述第二随机参数的大小关系;
根据所述大小关系,判断是否需要更新至少两个所述聚类节点集对应的多个所述初始节点集。
5.根据权利要求4所述的基于头脑风暴优化算法的关键节点计算方法,其特征在于,所述根据所述大小关系,判断是否需要更新至少两个所述聚类节点集对应的多个所述初始节点集,包括:
若需要更新多个所述中心节点集,则获取每一所述聚类节点集对应的所述中心节点集,得到至少两个所述中心节点集;
获取至少两个所述中心节点集所对应的至少两个所述网络节点;
交换至少两个所述网络节点,得到至少两个交叉节点集。
6.根据权利要求4所述的基于头脑风暴优化算法的关键节点计算方法,其特征在于,所述根据所述第二预设参数和所述第二随机参数的大小关系,判断是否需要更新至少两个所述聚类节点集所对应的多个所述初始节点集,包括:
若需要更新多个所述初始节点集,则获取每一所述聚类节点集对应的至少一个所述初始节点集,得到至少两个所述初始节点集;
获取至少两个所述初始节点集所对应的至少两个所述网络节点;
交换至少两个所述网络节点,得到至少两个交叉节点集。
7.根据权利要求5或6所述的基于头脑风暴优化算法的关键节点计算方法,其特征在于,每一所述交叉节点集对应的多个网络节点包括:多个第一节点,每一所述中心节点集对应的多个网络节点包括:多个第二节点;
对应的,所述方法还包括:
获取第三预设参数以及第三随机参数;
比较所述第二预设参数和所述第二随机参数的大小关系;
根据所述大小关系,判断是否需要更新至少一个所述交叉节点集;
若需要更新至少一个所述交叉节点集,则获取至少一个所述交叉节点集对应的至少一个第一节点;
获取至少一个所述中心节点集对应的至少一个第二节点;
将每一所述交叉节点集对应的所述第一节点更新为每一所述中心节点集对应的所述第二节点。
8.根据权利要求1所述的基于头脑风暴优化算法的关键节点计算方法,其特征在于,所述根据多个更新后的所述初始节点集获取所述人际网络中的关键节点,包括:
根据多个更新后的所述初始节点集,对每一所述初始节点集进行评价,获取每一所述初始节点集的适应度;
根据每一所述初始节点集的适应度,对多个所述初始节点集进行排序,得到排序结果;
根据所述排序结果以及多个更新后的所述初始节点集,筛选出多个关键节点集;
根据多个所述关键节点集,获取每一所述关键节点集对应的多个关键节点,得到所述人际网络中的多个所述关键节点。
9.基于头脑风暴算法的关键节点计算系统,其特征在于,包括:
获取模块:所述获取模块用于获取人际网络中的多个网络节点;根据所述人际网络及所述网络节点获取多个初始节点集,每一所述初始节点集包括至少一个所述网络节点;
评价模块:所述评价模块用于对每一所述初始节点集进行评价,获取每一所述初始节点集的适应度;
处理模块:所述处理模块用于基于多个所述初始节点集的适应度对多个所述初始节点集进行聚类处理,获取多个聚类节点集;
更新模块:所述更新模块用于根据多个所述聚类节点集,更新多个所述初始节点集;
结果模块:所述结果模块用于根据多个更新后的所述初始节点集获取所述人际网络中的关键节点。
10.电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的基于头脑风暴优化算法的关键节点计算方法。
11.计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至8中任意一项所述的基于头脑风暴优化算法的关键节点计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110147499.9A CN112991080A (zh) | 2021-02-03 | 2021-02-03 | 关键节点计算方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110147499.9A CN112991080A (zh) | 2021-02-03 | 2021-02-03 | 关键节点计算方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991080A true CN112991080A (zh) | 2021-06-18 |
Family
ID=76346360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110147499.9A Pending CN112991080A (zh) | 2021-02-03 | 2021-02-03 | 关键节点计算方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991080A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115134247A (zh) * | 2022-04-12 | 2022-09-30 | 深圳市腾讯计算机系统有限公司 | 节点识别方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-02-03 CN CN202110147499.9A patent/CN112991080A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115134247A (zh) * | 2022-04-12 | 2022-09-30 | 深圳市腾讯计算机系统有限公司 | 节点识别方法、装置、电子设备及计算机可读存储介质 |
CN115134247B (zh) * | 2022-04-12 | 2023-08-11 | 深圳市腾讯计算机系统有限公司 | 节点识别方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11341420B2 (en) | Hyperparameter optimization method and apparatus | |
CN111860872B (zh) | 用于异常检测的系统和方法 | |
EP3882820A1 (en) | Node classification method, model training method, device, apparatus, and storage medium | |
US11405759B2 (en) | Systems and methods for crowdsourcing real-time mobile crowd sensing applications | |
JP2011243088A (ja) | データ処理装置、データ処理方法、及び、プログラム | |
US11645562B2 (en) | Search point determining method and search point determining apparatus | |
CN110827924B (zh) | 基因表达数据的聚类方法、装置、计算机设备及存储介质 | |
EP4053757A1 (en) | Degradation suppression program, degradation suppression method, and information processing device | |
CN113780466A (zh) | 模型迭代优化方法、装置、电子设备和可读存储介质 | |
CN111079074A (zh) | 一种基于改进的正弦余弦算法构建预测模型的方法 | |
CN112991080A (zh) | 关键节点计算方法、系统、电子设备及存储介质 | |
CN114093448B (zh) | 一种疾病风险预测模型的构建方法 | |
CN113850364A (zh) | 非暂态计算机可读记录介质、学习方法和信息处理设备 | |
CN110826692B (zh) | 一种自动化模型压缩方法、装置、设备及存储介质 | |
CN106600119B (zh) | 基于k均值的电力用户聚类方法及装置 | |
CN112801231B (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
CN110110736A (zh) | 增量聚类方法和装置 | |
CN113782092B (zh) | 一种生存期预测模型的生成方法及装置、存储介质 | |
JP6707946B2 (ja) | データクラスタリング方法、情報処理装置およびデータクラスタリングプログラム | |
WO2023093431A1 (zh) | 一种模型训练方法、装置、设备、存储介质和程序产品 | |
EP4266004A1 (en) | User trajectory positioning method, electronic device and computer storage medium | |
US20240135323A1 (en) | Ticket troubleshooting support system | |
US20220261685A1 (en) | Machine Learning Training Device | |
WO2018053761A1 (zh) | 一种数据处理方法、装置及计算节点 | |
CN114459482A (zh) | 边界简化方法、路径规划方法、装置、设备及系统 |
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 |