[发明专利]基于遗传算法和先验知识的网络社区划分方法

说明书

技术领域

本发明属于计算机领域，涉及复杂网络中社区的划分方法，更进一步涉及WS小世界网络模型的社区划分，可用于进行网络中社区的划分，是近年来复杂网络的研究热点之一。

背景技术

目前复杂网络已成为多个学科的研究热点，随着对网络性质的物理意义和数学特性的深入研究，人们发现许多实际网络中都存在着社区结构，即整个网络是由若干个“社区”构成的。每个社区内部的节点间的连接相对紧密，但是各个社区之间的连接相对比较稀疏。揭示网络社区结构，对于深入了解网络结构与分析网络特性具有重要的意义。

为了能准确有效地分析网络中的社区结构，人们提出了许多不同的社区结构划分方法：基于模块度矩阵的谱算法，基于信息论的角度来分析网络社区结构的方法和基于模块度函数的网络社区结构划分方法，以及目前的研究热点基于模块度函数方法中的基于遗传算法的网络社区结构划分方法。

遗传算法，简称GA，起源于对生物系统所进行的计算机模拟研究。美国Michigan大学的Holland教授及其学生根据达尔文进化论和孟德尔的遗传学说进化思想而启发，于1975年提出了一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化技术：遗传算法。

遗传算法是建立在自然选择和群体遗传学机理基础上的随机、迭代、进化，具有广泛实用性的搜索方法。所有的自然种类都是适应环境而得以生存，这一自然适应性是遗传算法的主旋律，遗传算法结合了达尔文适者生存和随机信息交换，前者消除了解中不适应因素，后者利用了原有解已有的知识，从而有力地加快了搜索过程，遗传算法与传统的搜索算法不同，它从一组随机产生的初始解“种群”开始搜索过程。种群中的每个个体是问题的一个解，称为“染色体”，染色体是作为优化问题的解的代码。这些染色体在后续迭代中不断进化，称为遗传。在每一代用“适应值”来测量染色体的好坏，生成的下一代染色体称为后代。后代是由前一代染色体通过交叉或者变异运算形成的。新一代形成中，根据适应值的大小选择部分后代，从而保持种群大小是常数。适应值高的染色体被选中的概率较高。经过若干次迭代，可得到最优解。

目前，基于遗传算法的网络社区结构划分方法主要由初始化阶段、交叉算子和变异算子构成，其中初始化阶段采用的是随机初始化方式，交叉算子采用的是单向交叉方式，变异算子采用的是根据邻域节点信息进行变异的方式，这种方法存在的不足之处是：随机初始化导致算法初始化效率低下，单向交叉使得到的解的多样性较差，而根据邻域节点信息进行变异的方式使得算法划分效率低，从而导致算法全局搜索能力和局部搜素能力较弱，划分准确率和划分效率低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出基于遗传算法和先验知识的网络社区划分方法，以提高全局搜索能力和局部搜索能力，并且有效地提高划分准确率和效率。

为实现上述目的，本发明技术方案包括如下步骤：

(1)读入一幅实际网络图，并生成网络图对应的邻接矩阵A_ij；

(2)设置参数：将社区划分类别数n设为2；运行次数初始值g设为1；最大运行次数g_max设为50、种群S_pop大小设为450、交配池S_pool大小设为225、锦标赛选择S_tour大小设为2、交叉率P_c设为0.8和变异率P_m设为1；

(3)更新运行次数g，进行第g次运行：随机生成450条染色体作为初始种群，染色体表示为：

rm=[rm1rm2...rmi...rmN],]]>