[发明专利]基于非支配邻域免疫算法的动态网络社区检测方法

说明书

技术领域

本发明属于动态网络检测技术领域，涉及动态网络的结构分析，具体是一种动态网络社区的检测方法，可用于动态人物关系网中对社区结构的检测、动态动物群体中对物种的划分和动态数据的挖掘。

背景技术

动态网络检测技术涉及复杂网络理论、图论、数据挖掘、数理统计等领域，其研究内容也十分宽泛。现实生活中的系统，如论文作者查询系统、博客等，都可用一个网络来表示，网络中的节点表示个体，例如：俱乐部成员、作者、博客；网络中的边表示不同个体之间的联系，例如：一个俱乐部成员之间的联系、论文作者之间的合作关系、博客之间的超链接关系。在现实生活中，事物之间的联系常随着时间变化而变化，例如，俱乐部的成员有来有走，成员之间也有从生疏到熟悉；学者们合作发表论文，在某段时间内和一位学者联系比较紧密，在另一时期，又与其他学者合作。这样随着时间不断变化的网络，就可以用一组静态网络序列N＝{N¹，...，N^T}描述，其中N^t是t时刻个体间连接的快照，CR^t＝{C₁^t，…，C_k^t}是网络N^t在t时刻的一种划分，表示网络中一个社区，t＝1……T。检测动态网络的社区结构，即检测出每个时间片刻网络的划分情况，分析某一时刻网络结构时，既要考虑当前网络自身结构特点，又要融入上一时刻网络划分情况对当前划分的影响，这样才能保证网络的划分与客观上网络平滑变化相符合。分析动态网络的社区结构有助于人们掌握动态网络的发展趋势，因此对动态网络社区检测算法的研究具有重要的理论意义和实用价值。

对于动态网络的研究已受到广泛关注。从研究社会网络的动态行为，社会网络动态过程涉及网络受环境影响及内部交往导致的变化，不仅包括网络拓扑的变化，还有网络中节点和连接属性的改变。研究动态网络的模型：从统计模型，利用连续时间马尔科夫链模型，网络的变化过程被看作一个连续时间马尔可夫过程；动态环境友谊模型，试图捕获现实社会网络随时间进化的复杂性。

2006年，D.Chakrabarti等人在KDD’06上提出演化聚类理论框架，并实验证明该理论对于动态数据良好的处理能力。演化聚类用来解决不同时刻数据点的聚类问题，在每个时刻，一个新的聚类结果必须同时对两个相互矛盾的标准进行优化，第一个标准反映当前时刻数据聚类的精度；第二个标准表示该时刻聚类结果和上一时刻聚类结果是否存在巨大变化。

2010年，Francesco Folino和Clara Pizzuti提出DYN-MOGA方法，将多目标演化聚类方法用于处理动态网络社区检测问题。DYN-MOGA方法采用多目标遗传算法作为优化算法，以网络的Community Score值作为第一个目标函数来衡量当前网络划分的优劣，以上一时刻网络划分结果和当前时刻网络划分的NMI值作为另一目标函数。

现有的基于多目标遗传算法的动态网络社区检测方法存在以下缺点：

其一，基于多目标遗传算法的动态网络社区检测方法的网络社区检测精度较低。

其二，基于多目标遗传算法的动态网络社区检测方法，由于采用多目标优化算法作为优化策略，计算量大，运行时间长，网络社区检测效率低。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于非支配邻域免疫算法的动态网络社区检测方法，以实现在演化聚类理论框架下，利用非支配邻域免疫算法同时优化两个目标函数，对动态网络进行社区检测。

为实现上述目的，本发明的实现过程如下：

(1)设定优化算法的最大代数G_max、支配种群最大规模n_D、活性种群规模n_A、克隆种群规模n_C、Community Fitness目标函数中的参数α，最大时间片刻T；

(2)设置时间片刻t＝1，输入第一时间片刻网络N¹的邻接矩阵A¹，并根据邻接矩阵A¹生成规模为n_D的初始化抗体种群B₀，设置优化算法运行代数g＝0，并设定支配种群D₀＝φ，活性种群A₀＝φ，临时支配种群DT₀和克隆种群C₀＝φ，其中φ表示空集；