[发明专利]一种基于差分进化算法的模糊重叠社团检测方法

说明书

本发明公开了一种基于差分进化算法的模糊重叠社团检测方法，具体步骤如下：S1.种群初始化:S2.根据广义重叠模块度函数Q_g计算初始种群pop中每个个体的适应度值，作为历史最优解pmax_value，初始种群pop作为最优种群pmax_pop；S3.对初始种群pop进行纠偏操作，计算此时的个体适应度，并更新历史最优解pmax_value和最优种群pmax_pop；S4.当前种群代数t小于种群总代数gen时，对当前种群进行处理；S5.当前种群代数t大于等于种群总代数gen时，输出广义重叠模块度函数，重叠模块度函数，网络模块度的历史记录。本方法可获得真正的模糊重叠社团划分，并根据隶属度分布确定重叠社团结构，所获得的最终隶属度分布能够体现重叠节点的多样化拓扑特性差异。

技术领域

本发明涉及一种检测方法，具体说是一种基于差分进化算法的模糊重叠社团检测方法。

背景技术

现实中大部分网络的节点都具有多社团归属特性，因此，大部分网络社团结构都是具有重叠特性的，这种特性表现为在重叠社团结构中，具有重叠特性的节点同时属于若干个社团且对于不同的社团可能具有不同的隶属程度。根据隶属程度的量化差异，将重叠社团检测分为两类：离散重叠检测和模糊重叠检测。有别于非重叠社团检测和离散重叠社团检测，模糊重叠社团检测能够获得更精细的节点隶属度分布，从而更好地揭示网络的结构特性。

社团检测目的是要将网络中的节点分类，使得同一类别节点集合中的节点连接相对紧密，不同类别节点集合之间的连接相对比较稀疏。社团检测是按照相似性比较大的节点聚类到一个社团，相似度相对较低的节点分到不同社团进行聚类的。现实世界中的很多系统都存在着社团结构，例如由多个参赛团队组成的运动员队伍，可以将参与相同比赛项目的成员划分到同一社团；由多个科研团队组成的科学家网络，可以将有相同研究课题的成员划分到同一社团；由成千上万的网民组成的社交网络，可以将具有相同兴趣爱好的人划分到同一个社团等。了解复杂网络的社团结构可以帮助我们进一步分析网络的拓扑结构，并更好地理解和解释网络的功能，从而能够更容易发现网络中一些隐而未现的规律以及预测网络的行为。正是由于社团结构的重要价值，在已知网络的基础上快速准确到检测社团结构是一项非常必要且重要的工作。在以往的研究中，多数都是利用社团结构的某一种特性来提高链路预测准确性，并没有全面的分析链路预测准确性提高的原因。

链路预测利用已知的网络信息进行数据挖掘或者揭示网络演化，社团检测算法能够发掘原始网络实际存在的结构信息，研究复杂网络中社团结构信息对链路预测的影响，一方面能够帮助我们更好地理解复杂网络的拓扑结构特性，另一方面还能够在未来的研究中对提高链路预测准确性起到一定的指导作用。因此，将社团检测与链路预测相结合不仅对提高链路预测准确性有着重要的实际和理论意义，而且有利于更充分地获取到网络信息，为进一步的科学研究提供依据。

发明内容

本申请提供了一种基于差分进化算法的模糊重叠社团检测方法(DifferentialEvolution based Fuzzy Community Detection,DEFCD)，可获得真正的模糊重叠社团划分，并根据隶属度分布确定重叠社团结构，所获得的最终隶属度分布能够体现重叠节点的多样化拓扑特性差异，克服了隶属度计算过程中由于计算指标单一带来的不精确性。

为实现上述目的，本申请的技术方案为：一种基于差分进化算法的模糊重叠社团检测方法，具体步骤如下：

S1.种群初始化:

S1.1设置网络参数：节点数量为n，社团数量为k，节点的度分布列表为m，连边矩阵为adj；种群规模为NP，clean-up的比例因子为cleanup，当前种群代数为t，种群总代数为gen；

S1.2利用随机数构建初始种群，并对初始种群进行归一化处理；

S2.根据广义重叠模块度函数Q_g计算种群中每个个体的适应度值，作为历史最优解pmax_value，种群pop作为最优种群pmax_pop；