CN117176377A - 一种基于精英种群协同进化遗传算法的全局社区隐藏方法 - Google Patents

Abstract

本发明公开了一种基于精英种群协同进化遗传算法的全局社区隐藏方法，选取标准互信息NMI作为社区隐藏指标，引导优化过程；采用遗传算法进行个体编码及种群初始化，解决社区隐藏问题；并且设计两种适应度函数衡量种群中遗传个体的优劣程度，用于运行本发明提供的EPCG社区隐藏算法；所述EPCG算法包括初始化、种群分割、交叉及变异和选择四部分，通过不断迭代，可以有效提升社区隐藏性能；通过针对包括本发明算法在内的4种社区发现算法在5个真实网络上进行实验，实验结果表明本发明在求解全局社区隐藏问题上的时间效率和社区隐藏性能均优于现有同类型算法。

Description

一种基于精英种群协同进化遗传算法的全局社区隐藏方法

技术领域

本发明涉及人工智能技术领域，主要涉及一种基于精英种群协同进化遗传算法的全局社区隐藏方法。

背景技术

社区发现是复杂网络分析的一项重要研究领域。社区结构是复杂网络的普遍特征，网络可以划分为多个社区，在同一个社区内的节点之间连边紧密，而处于不同社区的节点之间连边稀疏。已有研究表明，社区结构在生物、社会和工程技术等领域发挥着重要的作用。社区发现能够有效地简化网络结构，帮助本发明更好地理解复杂网络的结构和功能。虽然挖掘和分析社区结构可以带来一定的经济和社会价值，但它也存在泄露隐私信息的潜在风险。例如，在社交网络领域，同一社区的用户总是具有相同的属性，例如，相同的职业、爱好等。因此，兴趣爱好，朋友关系和信仰等隐私信息可以很容易地通过社区检测找到。鉴于此，如何在复杂的网络中隐藏社区是非常重要的，因为它可以防止一些隐私数据的泄露。

发明内容

发明目的：针对上述背景技术中存在的问题，本发明提供了一种基于精英种群协同进化遗传算法的全局社区隐藏方法，对已有全局社区隐藏算法所面临的，采用基于加边和删边的方式改变原有网络结构，设计了新的社区隐藏指标，引入精英种群策略和协同进化机制改进了传统的遗传算法，从而提出一种应用于全局社区隐藏的精英种群协同进化遗传算法EPCG来求解全局社区隐藏问题。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于精英种群协同进化遗传算法的全局社区隐藏方法，包括以下步骤：

步骤S1、设计社区隐藏指标；选取标准互信息NMI作为社区隐藏指标，引导优化过程；

步骤S2、个体编码及种群初始化；采用遗传算法解决社区隐藏问题，种群中的每一个体均被定义为优化问题的解决方案，每个解决方案均使用字符串的数据结构进行个体编码；在种群初始化阶段，通过进行N次个体编码，即可得到N个个体组成的初始种群P；

步骤S3、设计两种适应度函数衡量种群中遗传个体的优劣程度；其中第一种适应度函数f₁与社区隐藏指标值NMI有关，第二种适应度函数f₂用于衡量个体与当前种群最佳个体的差异度；

步骤S4、提出精英种群协同进化机制；通过两个精英种群P_elite1和P_elite2的协同进化完成整个种群的进化过程；其中精英种群P_elite1由种群中第一适应度函数值f₁高于预设阈值的个体组成，精英种群P_elite2则由种群中第二适应度值函数值f₂高于预设阈值的个体组成；

步骤S5、运行基于精英种群协同进化遗传算法的全局社区隐藏方法EPCG；所述EPCG包括初始化、种群分割、交叉及变异和选择四部分；重复种群分割、交叉及变异和选择操作，直至满足预设的终止条件。

进一步地，所述步骤S1中当两个社区结构完全一致时，NMI值为1；NMI值越小，则两个社区结构间的差异度越大，具体表示如下：

其中，n表示网络中节点总数，N_C和分别表示原始网络社区结构C中社区个数和网络发生改变后的社区结构/>中社区个数；M表示大小为/>的矩阵；M_ij表示原始网络的社区结构C中的第i个社区和网络发生改变后的社区结构/>中的第j个社区重叠节点的数量。

进一步地，所述步骤S2中个体编码及种群初始化方法具体如下：

设定种群大小为N，种群中的个体定义如下：

X_i＝[a₁,a₂,···,a_δ,b₁,b₂,···,b_δ]ⁱ，i＝1,2,…N

种群中的个体X_i由一组基因组成，X_i中的每一个元素代表一个基因，且X_i中的每一个元素互不相同，其中a代表删边集合E^-中的一条连边，b代表加边集合E⁺中的一条连边；δ表示改变原始网络需要进行加边和删边的数量，加边集合包括网络中所有不存在的边，删边集合包括网络中所有已经存在的边；通过随机从加边集合和删边集合中分别选取δ条边组成一个个体，即完成一次个体编码过程；在初始化种群阶段，通过进行N次的个体编码过程即可得到初始种群P。

进一步地，所述步骤S3中两种适应度函数具体设计方法如下：

第一种适应度函数f₁表达如下：

f₁(X_i)＝e^-NMI

当NMI值越小时，个体适应度越高，即适应度值大的个体能提供更好的社区隐藏方案；

第二种适应度函数f₂表达如下：

其中X_best表示当前种群中的最佳个体，即当前种群中第一适应度函数值最大的个体；L表示个体的长度，即个体包含基因的个数；通过e(k,k′)用于判断个体X_i的第k个元素和最佳个体X_best的第k′个元素是否相同，当相同时，e(k,k′)值为1，否则为0；具体表达式如下所示：

进一步地，所述步骤S4中通过进化精英种群P_elite1，提高算法的收敛速度，使算法能够在最少的迭代次数内收敛到全局最优值；通过进化精英种群P_elite2，尽可能维持种群多样性，进一步提高算法跳出局部最优的能力。

进一步地，所述步骤S5中EPCG具体实现方法包括以下步骤：

步骤S5.1、初始化种群；在初始阶段首先通过随机选择策略生成初始种群P；

步骤S5.2、种群分割；设定精英种群中个体数目为N_e，基于第一种适应度函数f₁计算种群中所有个体的第一适应度值并降序排序，选择前N_e个个体组成精英种群P_elite1；采取相同的步骤，基于第二种适应度函数f₂完成精英种群P_elite2成员的选择；种群中剩余个体组成普通种群P_com；

步骤S5.3、交叉及变异；采用单点交叉策略实现交叉操作，即两个个体基于随机生成的交叉点互换基因片段，完成交叉过程；通过随机替换一个基因的方式来完成变异操作，替换概率为R_m；将不同种群间的个体进行交叉和变异操作后得到临时种群P_temp；

步骤S5.4、选择部分；以交替的方式基于适应度函数f₁和f₂，从临时种群P_temp中以轮盘赌选择策略选出(N-2N_e)个个体组成下一代种群，同时将两个精英种群P_elite1和P_elite2加入下一代种群中。

有益效果：

本发明提供的基于精英种群协同进化遗传算法的全局社区隐藏方法，应用于复杂网络中的全局社区隐藏，采用标准化交互信息NMI作为隐藏指标来评估社区隐藏效果，同时以加边和删边的方式改变网络结构同时保证加边和删边的数量一致，这可以让社区隐藏的过程更具有隐蔽性。此外引入精英种群策略和协同进化机制改进了传统的遗传算法，从而运行应用于全局社区隐藏的精英种群协同进化遗传算法EPCG来求解全局社区隐藏问题，通过针对包括本发明算法在内的4种社区发现算法在5个真实网络上进行实验，实验结果表明本发明在求解全局社区隐藏问题上的时间效率和社区隐藏性能均优于现有同类型算法。

附图说明

图1是社区隐藏过程示意图；

图2是不同模块度对社区结构的影响示意图；

图3是本发明中个体编码方法示意图；

图4是本发明实施例中针对CNM社区发现算法在隐藏Karate网络社区结构的可视化例子。

具体实施方式

下面结合附图对本发明作更进一步的说明。显然，所描述的实施例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。

本发明提供了一种基于精英种群协同进化遗传算法的全局社区隐藏方法，包括如下步骤：

步骤S1、设计新颖的社区隐藏指标。本质上来说，社区隐藏问题可以建模为优化问题求解，隐藏指标就是社区隐藏问题的优化目标。为此，本发明提出创新性地将标准互信息NMI(Normalized Mutual Information)作为社区隐藏指标来引导优化过程。

如图1所示为一个简单的社区隐藏过程，原始网络被社区发现算法划分为2个社区。节点1、节点2、节点3和节点4为第1个社区的成员，其它节点属于第2个社区。给定加边和减边预算为1，通过对原始网络删除节点6和节点9之间的连边，给节点2和节点9之间添加连边后，节点9被划分到第1个社区，社区结构发生了改变。

隐藏问题可以建模为优化问题求解，隐藏指标就是社区隐藏问题的优化目标。现有研究中的隐藏指标大部分是基于社区结构的定义来设计，旨在衡量社区内节点连边以及社区间节点连边的紧密程度。但基于社区结构的定义来设计的隐藏指标并不能直接衡量社区隐藏的效果。已有研究提出的全局社区隐藏算法Q-Attack算法是以模块度Q作为隐藏指标，通过对原始网络进行加边和删边来降低网络的模块度。模块度反映了社区内节点联系的紧密程度，其值越小则表明社区内节点联系越松散。根据社区结构的定义，降低模块度确实能够起到破坏原始网络社区结构的目的，但以模块度作为隐藏指标仍然具有一定的局限性。如图2所示的一个简单的合成网络，图2a为原始网络结构，通过Louvain算法可将该网络划分成3个社区。图2b中对原始网络进行了加边和删边的操作，通过Louvain算法得到的社区结构相较于原始网络的社区结构发生了改变，同时模块度Q值变大。图2c中也对原始网络进行了加边和删边操作，通过Louvain算法得到的社区结构和原始社区结构一致，同时模块度Q值变小。由此可见，在某些情况下，社区结构是否发生改变和模块度Q值的大小并无直接联系。

有鉴于此，以模块度Q作为社区隐藏指标，在某些情况下对优化过程不一定能起到很好的引导作用。

本发明采用标准互信息NMI作为社区隐藏指标来引导优化过程。NMI被广泛应用于社区结构相似度的评估，也是社区划分的常用评价指标。当两个社区结构完全一致时，NMI值为1；NMI值越小，则两个社区结构间的差异度越大，具体表示如下：

其中，n表示网络中节点总数，N_C和分别表示原始网络社区结构C中社区个数和网络发生改变后的社区结构/>中社区个数；M表示大小为/>的矩阵；M_ij表示原始网络的社区结构C中的第i个社区和网络发生改变后的社区结构/>中的第j个社区重叠节点的数量。

步骤S2、个体编码及种群初始化。社区隐藏问题可以被建模为一个可以通过智能优化算法解决的优化问题，本发明采用了遗传算法来解决社区隐藏问题。种群中的每一个体均被定义为优化问题的解决方案，每个解决方案均使用字符串的数据结构进行个体编码；在种群初始化阶段，通过进行N次个体编码，即可得到N个个体组成的初始种群P。具体地，

设定种群大小为N，种群中的个体定义如下：

X_i＝[a₁,a₂,···,a_δ,b₁,b₂,···,b_δ]ⁱ，i＝1,2,…N

种群中的个体X_i由一组基因组成，X_i中的每一个元素代表一个基因，且X_i中的每一个元素互不相同，其中a代表删边集合E^-中的一条连边，b代表加边集合E⁺中的一条连边；δ表示改变原始网络需要进行加边和删边的数量，图2展示了个体编码过程，加边集合包括网络中所有不存在的边，删边集合包括网络中所有已经存在的边。通过随机从加边集合和删边集合中分别选取δ条边组成一个个体，即完成一次个体编码过程；在初始化种群阶段，通过进行N次的个体编码过程即可得到初始种群P。下表1为种群初始化的伪代码：

表1种群初始化部分伪代码

步骤S3、设计两种适应度函数衡量种群中遗传个体的优劣程度；其中第一种适应度函数f₁与社区隐藏指标值NMI有关，第二种适应度函数f₂用于衡量个体与当前种群最佳个体(当前种群中适应度值最大的个体)的差异度。适应度是用于衡量种群中遗传个体的优劣的指标。本发明将设计两种适应度函数对个体进行评价，使算法能够有效维持遗传种群的多样性，提高算法寻找最优解的能力。具体地，

第一种适应度函数f₁表达如下：

f₁(X_i)＝e^-NMI

当NMI值越小时，个体适应度越高，即适应度值大的个体能提供更好的社区隐藏方案；

第二种适应度函数f₂表达如下：

其中X_best表示当前种群中的最佳个体，即当前种群中第一适应度函数值最大的个体L表示个体的长度，即个体包含基因的个数；通过e(k,k′)用于判断个体X_i的第k个元素和最佳个体X_best的第k′个元素是否相同，当相同时，e(k,k′)值为1，否则为0；具体表达式如下所示：

步骤S4、提出精英种群协同进化机制；种群中适应度较高的个体被称为精英个体，精英个体能够在进化过程中起到引导种群往最优解方向进化的重要作用。但由单个精英个体来引导种群进化效率不高且容易陷入局部最优。本发明通过两个精英种群P_elite1和P_elite2的协同进化完成整个种群的进化过程；其中精英种群P_elite1由种群中第一适应度函数值f₁高于预设阈值的个体组成，精英种群P_elite2则由种群中第二适应度值函数值f₂高于预设阈值的个体组成。精英种群P_elite1的进化目的是提高算法的收敛速度，使算法能够在最少的迭代次数内收敛到全局最优值，精英种群P_elite2进化目的是尽可能维持种群的多样性，提高算法跳出局部最优的能力。选取精英种群P_elite1和P_elite2是为了运行下面所述的EPCG算法做准备。

步骤S5、运行基于精英种群协同进化遗传算法的全局社区隐藏方法EPCG。EPCG算法由初始化(Initialization)、种群分割(Population Segmentation)、交叉及变异(Crossover And Mutation)和选择(Selection)四部分组成。重复执行上述种群分割、交叉及变异和选择操作直至算法满足终止条件。具体地，

步骤S5.1、初始化种群；在初始阶段首先通过随机选择策略生成初始种群P。个体编码和种群初始化是两个不同的部分，首选确定个体编码的模式，然后进行种群的初始化。步骤s2中种群初始化的相关描述是步骤s5.1中具体实现方式。

步骤S5.2、种群分割；设定精英种群中个体数目为N_e，基于第一种适应度函数f₁计算种群中所有个体的第一适应度值并降序排序，选择前N_e个个体组成精英种群P_elite1；采取相同的步骤，基于第二种适应度函数f₂完成精英种群P_elite2成员的选择；种群中剩余个体组成普通种群P_com。N_e是指一个精英种群中个体的数量。和的大小都为N_e。

步骤S5.3、交叉及变异；采用单点交叉策略实现交叉操作，即两个个体基于随机生成的交叉点互换基因片段，完成交叉过程；通过随机替换一个基因的方式来完成变异操作，替换概率为R_m；将不同种群间的个体进行交叉和变异操作后得到临时种群P_temp。

精英种群P_elite1和精英种群P_elite2交叉变异得到临时种群1；

精英种群P_elite1和普通种群P_com交叉变异得到临时种群2；

精英种群P_elite2和普通种群P_com交叉变异得到临时种群3；

临时种群P_temp＝临时种群1+临时种群2+临时种群3。

步骤S5.4、选择部分；以交替的方式基于适应度函数f₁和f₂，从临时种群P_temp中以轮盘赌选择策略选出(N-2N_e)个个体组成下一代种群，同时将两个精英种群P_elite1和P_elite2加入下一代种群中。交替的方式例如：先基于函数f1，然后基于f2，如此反复直至选出个个体。

下表2给出了EPCG算法伪代码，包括初始化和进化阶段。在算法中第1行为初始化阶段。第2至9行为进化阶段，在算法的迭代次数小于T时，重复执行种群分割(PopulationSegmentation)、交叉及变异(Crossover And Mutation)和选择(Selection)操作。

表2 EPCG算法伪代码

本发明给给出了具体的社区隐藏实验用于验证本发明所提供的隐藏算法性能。本发明选取4种经典的社区发现算法在5个真实网络上对算法性能进行实验，对每一个实验运行10次记录平均结果。本文的实验环境为python3.6，window10系统，其中内存：16GB，CPU型号：AMDR5-4500U。实验结果表明该发明在求解全局社区隐藏问题上的时间效率和社区隐藏性能均优于现有同类型算法。

为了更加全面展示本文所提EPCG算法隐藏社区结构的效果，本文可视化了一个EPCG算法针对CNM社区发现算法在隐藏Karate网络社区结构的例子。如图4所示，在原始网络结构发生改变后，原始网络的社区结构也发生了一定程度的改变。例如，看到原始Karate网络被划分为3个社区。在通过给原始网络增加3条和删除3条边，节点2和节点4以及节点10同属一个社区。在网络结构改变后，节点2、节点4和节点10被划分到了3个不同的社区中。可见本发明提供的EPCG算法确实能出色完成隐藏社区结构的任务。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于精英种群协同进化遗传算法的全局社区隐藏方法，其特征在于，包括以下步骤：

步骤S1、设计社区隐藏指标；选取标准互信息NMI作为社区隐藏指标，引导优化过程；

步骤S2、个体编码及种群初始化；采用遗传算法解决社区隐藏问题，种群中的每一个体均被定义为优化问题的解决方案，每个解决方案均使用字符串的数据结构进行个体编码；在种群初始化阶段，通过进行N次个体编码，即可得到N个个体组成的初始种群P；

步骤S3、设计两种适应度函数衡量种群中遗传个体的优劣程度；其中第一种适应度函数f₁与社区隐藏指标值NMI有关，第二种适应度函数f₂用于衡量个体与当前种群最佳个体的差异度；

步骤S4、提出精英种群协同进化机制；通过两个精英种群P_elite1和P_elite2的协同进化完成整个种群的进化过程；其中精英种群P_elite1由种群中第一适应度函数值f₁高于预设阈值的个体组成，精英种群P_elite2则由种群中第二适应度值函数值f₂高于预设阈值的个体组成；

步骤S5、运行基于精英种群协同进化遗传算法的全局社区隐藏方法EPCG；所述EPCG包括初始化、种群分割、交叉及变异和选择四部分；重复种群分割、交叉及变异和选择操作，直至满足预设的终止条件。

2.根据权利要求1所述的一种基于精英种群协同进化遗传算法的全局社区隐藏方法，其特征在于，所述步骤S1中当两个社区结构完全一致时，NMI值为1；NMI值越小，则两个社区结构间的差异度越大，具体表示如下：

其中，n表示网络中节点总数，N_C和分别表示原始网络社区结构C中社区个数和网络发生改变后的社区结构/>中社区个数；M表示大小为/>的矩阵；M_ij表示原始网络的社区结构C中的第i个社区和网络发生改变后的社区结构/>中的第j个社区重叠节点的数量。

3.根据权利要求1所述的一种基于精英种群协同进化遗传算法的全局社区隐藏方法，其特征在于，所述步骤S2中个体编码及种群初始化方法具体如下：

设定种群大小为N，种群中的个体定义如下：

X_i＝[a₁,a₂,···,a_δ,b₁,b₂,···,b_δ]ⁱ，i＝1,2,…N

种群中的个体X_i由一组基因组成，X_i中的每一个元素代表一个基因，且X_i中的每一个元素互不相同，其中a代表删边集合E^-中的一条连边，b代表加边集合E⁺中的一条连边；δ表示改变原始网络需要进行加边和删边的数量，加边集合包括网络中所有不存在的边，删边集合包括网络中所有已经存在的边；通过随机从加边集合和删边集合中分别选取δ条边组成一个个体，即完成一次个体编码过程；在初始化种群阶段，通过进行N次的个体编码过程即可得到初始种群P。

4.根据权利要求1所述的一种基于精英种群协同进化遗传算法的全局社区隐藏方法，其特征在于，所述步骤S3中两种适应度函数具体设计方法如下：

第一种适应度函数f₁表达如下：

f₁(X_i)＝e^-NMI

当NMI值越小时，个体适应度越高，即适应度值大的个体能提供更好的社区隐藏方案；

第二种适应度函数f₂表达如下：

其中X_best表示当前种群中的最佳个体，即当前种群中第一适应度函数值最大的个体；L表示个体的长度，即个体包含基因的个数；通过e(k,k′)用于判断个体X_i的第k个元素和最佳个体X_best的第k′个元素是否相同，当相同时，e(k,k′)值为1，否则为0；具体表达式如下所示：

5.根据权利要求1所述的一种基于精英种群协同进化遗传算法的全局社区隐藏方法，其特征在于，所述步骤S4中通过进化精英种群P_elite1，提高算法的收敛速度，使算法能够在最少的迭代次数内收敛到全局最优值；通过进化精英种群P_elite2，尽可能维持种群多样性，进一步提高算法跳出局部最优的能力。

6.根据权利要求1所述的一种基于精英种群协同进化遗传算法的全局社区隐藏方法，其特征在于，所述步骤S5中EPCG具体实现方法包括以下步骤：

步骤S5.1、初始化种群；在初始阶段首先通过随机选择策略生成初始种群P；

步骤S5.2、种群分割；设定精英种群中个体数目为N_e，基于第一种适应度函数f₁计算种群中所有个体的第一适应度值并降序排序，选择前N_e个个体组成精英种群P_elite1；采取相同的步骤，基于第二种适应度函数f₂完成精英种群P_elite2成员的选择；种群中剩余个体组成普通种群P_com；

步骤S5.3、交叉及变异；采用单点交叉策略实现交叉操作，即两个个体基于随机生成的交叉点互换基因片段，完成交叉过程；通过随机替换一个基因的方式来完成变异操作，替换概率为R_m；将不同种群间的个体进行交叉和变异操作后得到临时种群P_temp；

步骤S5.4、选择部分；以交替的方式基于适应度函数f₁和f₂，从临时种群P_temp中以轮盘赌选择策略选出(N-2N_e)个个体组成下一代种群，同时将两个精英种群P_elite1和P_elite2加入下一代种群中。