[发明专利]一种人群动态聚类信息的识别和处理方法

说明书

本发明提供了一种人群动态聚类信息的识别和处理方法。它解决了现有技术缺少对人群动态聚类信息识别以及处理的问题。本方法包括以下步骤：A、获取人群动态信息的各个聚类并求取每个聚类中个体到聚类中心的距离值之和；B、再次计算每个聚类中个体到聚类中心的距离值之和，并将步骤A、B的两个距离值之和进行比较判断该聚类的种群适应度是否有变化；C、计算每个聚类中各个个体之间的拥挤距离值来判断出种群多样性是否恶化；对B和C中的结果一一对应进行组合分析，并根据分析结果进行针对性处理。本方法能有效对动态人群信息进行聚类，并根据聚类情况对人群信息进行分析，及时发现聚类异常情况并进行针对性调整处理。

技术领域

本发明属于信息处理技术领域，涉及一种人群动态聚类信息的识别和处理方法。

背景技术

当前，我国的各类社交软件不断发展并广泛应用，给人民群众的生活娱乐方式带来了诸多的便利。然而，利用社交网络进行团伙式的违法犯罪行为也具有更高的隐蔽性、更强的破坏性，给人民群众的生命财产安全造成隐患。因此通过对社交网络中的人群数据信息进行聚类，将有效地挖掘不同小众群体的人员结构及其在社会大数据网络中的关系。

在过去的十年不断涌现出了各种类型的网络聚类算法，其中较为著名的算法包括Girvan-Newman算法，快速贪婪模块优化，马尔科夫聚类算法等。对网络中的人群信息进行检测已经成为社会数据分析中的重要研究方向，Orman以及Forunato提出的网络数据聚类方法已经被应用于社会网络中的人群检测。然而，由于网络结构形式各异且复杂多变，因此传统启发式优化方法往往无法满意的求解人群信息的聚类与模式识别问题。为了对人群信息进行检测与识别，元启发式算法引起了学者们的广泛关注。这些算法在局部学习和全局搜索能力方面具有更为显著的优势，在多数研究中均表现出了比传统启发式算法更为显著的优化能力。在元启发式算法中，人群数量可以由算法自动的设定，并能够实现在线的动态变化。许多学者已经将一些元启发式算法应用于网络聚类问题，如进化算法和粒子群优化算法等。在这一研究中，Pizzuti等提出了网络聚类的单目标遗传算法，Gong提出基于Memetic算法提出了面向网络聚类问题的Memenet算法。上述的各种单目标算法虽然能够对人群信息进行聚类，但是其无法很好的解决动态环境下的人群信息聚类的识别和处理问题。

发明内容

针对上述背景技术中人群信息的特点，本发明提供了一种人群动态聚类信息的识别和处理方法。

本发明的目的可通过下列技术方案来实现：

一种人群动态聚类信息的识别和处理方法，其特征在于，包括以下步骤：

A、通过多次迭代计算获取人群动态信息的各个聚类，并求取每个聚类中个体到聚类中心的距离值之和；

B、再次计算每个聚类中个体到聚类中心的距离值之和，将该距离值之和和步骤A中聚类的个体到聚类中心的距离值之和进行比较，当两个距离值之和不等时，则判断该聚类的种群适应度有变化，当两个距离值之和相等时，则判断该聚类的种群适应度无变化：

C、计算每个聚类中各个个体之间的拥挤距离值来监控该聚类中的种群多样性，并判断出种群多样性恶化还是种群多样性良好；

D、对步骤B和C中的结果一一对应进行组合分析处理：当组合结果为该聚类的适应度无变化且种群多样性恶化，则对该聚类进行小幅度恢复种群多样性操作；当组合结果为该聚类的适应度无变化且种群多样性良好，则不对该聚类进行任何操作；当组合结果为该聚类的适应度有变化且种群多样性恶化，则对该聚类进行大幅度回复种群多样性操作；当组合结果为该聚类的适应度有变化且种群多样性良好，则不对该聚类进行任何操作；

在上述的一种人群动态聚类信息的识别和处理方法中，所述的对人群动态信息进行聚类包括以下步骤：

A1、根据人群的社交网络建立社交图模型，该模型表示为：G＝G(N,V)，其中，N为节点数，V为节点间的关系；