复杂网络的非重叠与重叠社区检测方法-电子与通信工程专业论文.docxVIP

摘要 摘要 万方数据 万方数据 摘要 网络社区检测是复杂网络研究中非常重要的问题之一，过去十年里，有众多 解决该问题的算法被提出，这些算法主要包括层次聚类的算法以及基于函数优化 的算法。研究的网络类型主要包括：静态非重叠网络，重叠网络以及层次结构网 络。在本文中，我们对以上三种网络进行了研究，并提出了两种解决以上网络社 区检测问题的算法。本文所做的主要工作如下： (1)针对传统进化算法在解决网络社区检测问题时收敛速度慢，以及容易陷入 局部最优等缺点，提出一种结合模拟退火算法的密母算法。该算法将遗传算法作 为全局有哪些信誉好的足球投注网站策略，模拟退火算法作为局部有哪些信誉好的足球投注网站策略，既加快了算法收敛速度，同 时增强了算法跳出局部最优的能力。另外，针对传统模块度优化具有的分辨率限 制问题，采用了扩展的模块度密度函数作为适应度函数，通过调节可调参数 ，可 以以不同分辨率对网络进行分析。 (2)提出了一种基于两阶段策略的非重叠，重叠以及等级结构复杂网络社区检 测算法。算法第一阶段采用 Clauset、Newman 和 Moore 等人提出的快速模块度（fast modularity）算法，检测得到非重叠的等级网络社区结构。在第二阶段提出了一个 基于局部社区概念的影响系数函数，利用该函数通过调节可调参数可以在不同重 叠程度上获得重叠的网络社区结构。同时，当可调参数为 0.5 时，可以对第一阶段 划分错误的节点进行纠错。实验结果及分析表明我们所提的算法及评价函数是可 行且有效的。 本文工作得到如下基金资助： 国家自然科学基金，中央高校基本科研业务费专项资金资助项目 （K50510020015 和 K5051202019）。 关键词：复杂网络 社区检测 密母算法 两阶段策略 Ab Abstract 万方数据 万方数据 Abstract Community detection is one of the most important problems in complex networks. Many algorithms have been proposed in the last decade. These algorithms mainly include hierarchical clustering and function optimization method. The studied types of networks mainly include: static non-overlapping networks, overlapping networks and hierarchical structure networks. In this paper, we study the above three kinds of networks and propose two algorithms to solve the community detection problem. The major works of the paper are as follows: In order to overcome the drawback of the slow rate of convergence and easily trapping into local optimal in traditional evolutionary algorithms for community detection, we propose a memetic algorithm with simulated annealing strategy for community detection (MA-SA). In MA-SA, genetic algorithm is taken as global search strategy and simulated annealing is taken as local search strategy. This framework accelerates the convergence rate and enhances the ability to jump out of the local optimal. In addition to this, we adopt the modularity density function as the objective function, in order to solve the resolution limit problem. Moreover, through the tunable parameter, we can analyze the networ