[发明专利]带粒子多样性和变异策略的离散粒子群网络社团检测方法

说明书

本发明公开了带粒子多样性和变异策略的离散粒子群网络社团检测方法，包括以下步骤：(1)离散方式重新定义了粒子编码、粒子速度、粒子位置及其进化操作；(2)基于混合惯性权重调整策略；(3)基于自适应性变异策略。本发明提出了一种带粒子多样性和变异策略的离散粒子群网络社团检测方法，以离散方式重新定义了粒子编码、粒子速度、粒子位置及其进化操作，基于混合惯性权重调整策略和基于自适应性变异策略加快方法的收敛速度且避免陷入局部最优。通过在人工基准数据集和真实数据集上进行实验，实验结果验证了本发明方法的有效性。

技术领域

本发明涉及数据挖掘领域，尤其涉及带粒子多样性和变异策略的离散粒子群网络社团检测方法。

背景技术

复杂网络社团检测是复杂网络研究领域中一个具有代表性的热点问题。人们对现实中的许多系统都抽象为复杂网络进行研究，网络的节点对应为系统中的实体，网络的边对应着实体之间的某种关系。许多研究人员对各种领域的网络进行了研究，例如社交网络、信息网络、生物网以及代谢调节网络。经过多年的研究，研究员们发现复杂网络具有某些共有的特性，比如小世界性、高聚集性、幂率分布性及无标度等，且上述特性都主要与网络拓扑结构有关。这些发现促进了研究人员们对复杂世界的认知结构，且掌握这些特性可以帮助人们在许多领域解决一系列重要问题。

社团结构是指网络中社团的组成结构及相互关系，它是根据社会行为和社会关系建立。根据图论中的定义，社团网络由网络图中的若干节点和连接组成。社团网络聚类将整个网络划分成若干个小“碎片”，其中同一“碎片”内的相似性最大，不同“碎片”间的相似性则最小，这些“碎片”可以统称为社团结构。通过社团的发现可以帮助我们了解复杂网络的功能和结构特性。经典社团发现算法可以大致分为两大类：基于优化的方法和启发式方法。基于优化的方法是通过优化预定义的目标函数来发现社团结构，而启发式方法是将问题转化为预定义启发式规则设计问题。发现复杂网络中的社团结构能够发现新的特性和现象，有助于更加深刻的理解和认识网络结构和功能之间的关系。

传统粒子群优化算法在优化过程中容易产生的局部最优，无法满足更深一层问题的研究。

发明内容

为了克服现有技术的缺陷，本发明采用基于粒子多样性的混合惯性权重调整策略和自适应变异策略两种进化策略避免了算法的局部收敛并在此基础上，提出了带粒子多样性和变异策略的离散粒子群网络社团检测方法，该算法能够有效检测复杂网络中社团结构，且具有稳定的社团划分质量和全局收敛性提出带粒子多样性和变异策略的离散粒子群网络社团检测方法，该算法能够有效检测复杂网络中社团结构，且具有稳定的社团划分质量和全局收敛性。

为达此目的，本发明采用以下技术方案：

本发明的带粒子多样性和变异策略的离散粒子群网络社团检测方法，包括以下步骤：

A、首先以离散方式定义粒子编码、粒子速度、粒子位置及其进化操作：由于社团检测一个是典型的离散优化问题，本方法从编码到进化操作都是采用离散方式；因而，本方法定义粒子每一维对应的整数即为该节点所从属的社团；

定义粒子速度：单个粒子i，其速度向量表示为定义粒子位置与位置的减法操作Ξ：两个粒子的位置向量为和两个位置向量的减法操作Ξ表示粒子位置的变化量ΔP(即速度V)，

定义学习因子与速度的乘法操作×：速度向量的每一维乘以学习因子得到经过“学习”的速度；速度的合并操作∧：为两个速度向量，即其中

定义位置与速度的加法操作⊕：粒子位置为经过与速度的加法操作⊕后的新位置为那么其中：

其中表示节点i的邻居节点集合，Deg(i)表示节点i的度数。包含节点i的各邻点所从属社团标识即，其中k表示节点i的各邻点从属k个不同社团；定义了离散粒子群的进化模型为及

本发明利用离散编码的粒子群进化方法检测复杂网络中的社团数量。