[发明专利]基于分解多目标遗传算法的软件生态系统社区检测方法

说明书

本发明公布了基于分解多目标遗传算法的软件生态系统社区检测方法。目前提出的多目标社区检测算法中，分解多目标遗传算法为该问题提出了一个高效的新思路。但是，算法局部搜索能力较差，应用于社区划分问题也需要多角度考虑具体的软件生态系统的社区结构特征。基于此，本章针对具体特征提出节点归属度函数作为社区检测问题模型的目标函数，并利用基于节点归属度函数的标签传播算法进行编码初始化，为算法提供一个高效的初始解。在此基础上，具体分析改进个体混合交叉策略，并融合模拟退火算子以提高算法的局部进化能力。

技术领域

本发明涉及软件生态系统社区检测的技术领域，具体的涉及一种基于分解多目标遗传算法的软件生态系统社区检测方法。

背景技术

软件生态系统作为软件工程领域的一个功能单位和重要结构，包括的环境可以是软件公司、研究组或者虚拟的开源社区。软件生态系统的组成元素数目庞大，各元素之间的关联和交互错综复杂，这使得软件生态系统在本质上是一个动态变化的复杂网络。复杂网络存在小世界、无标度和社区结构等一些基本的统计特性。其中，社区是一种存在于各种网络系统中最自然且基本的元素，识别网络中的社区结构是理解网络拓扑特性和复杂网络内部运行机理的关键一步。社区检测是对不同类型的复杂网络进行探测，挖掘出网络中固有的社区结构，有助于了解复杂网络的功能、揭露隐藏规律以及预测行为。随着应用领域的不断扩展，社区检测问题作为多学科综合研究课题，吸引了来自数学、物理、传播学以及计算机科学等领域的众多研究者，收到了业内人士的广泛关注。

近年来，越来越多的学者通过对软件生态系统构架网络模型来分析其中的社会关系，发现协作机理，并监测网络动态变化对整个软件生态系统的健康性进行评估。基于网络进行分析成为提高软件开发质量和效率的重要研究方法。目前专家学者已经提出许多有关的社区检测算法，包括采用启发式策略的算法和基于模块度的算法等，他们从不同角度求解软件生态系统社区检测问题，并且都取得了一定的研究成果。其中，进化优化作为一类模仿自然界生物进化机制的全局概率搜索方法，与软件生态系统社区检测问题相结合可以更高效地解决社区检测问题。但是，随着软件生态系统中社区结构的不断复杂化、多样化，对社区检测算法的要求也不断提高，经典的模块度目标函数存在分辨率限制的问题，不能识别较为精细的社区结构。传统的分解多目标遗传算法可以解决社区检测问题，但是存在局部进化力不足的问题，此外，没有分析社区结构的具体特征使求解算法与问题更好的融合，使得遗传算法对该问题的求解效率降低，为了提高分解多目标遗传算法在社区检测问题上的求解效率，必须采用全新的方法进行研究。

鉴于此，本发明拟给出一种新的社区检测目标函数，将其与模块度函数共同作为求解问题的目标函数，来解决模块度函数的分辨率限制问题。然后，我们利用节点的归属度函数与经典的LPA社区检测算法，提出LPA-M的算法初始化策略提高求解效率。在此基础上，具体分析社区结构特征改进个体混合交叉策略，并融合模拟退火算子以提高算法的局部进化能力。这些都将为软件生态系统社区检测问题的解决提供理论和方法上的支持，并有效提高分解多目标遗传算法的求解效率，具有重要的推广应用价值。本发明的研究成果将应用于软件生态系统中，以提高社区检测的效率和精度，从而有助于挖掘典型的社区组织模式及社会化特性，发掘软件生态系统中群体协作的规律及群体智慧涌现机理，研究群智化软件开发中的个性化信息融合和服务推荐方法，具有明显的社会需求和经济效益。

发明内容

本发明针对软件生态系统社区检测问题，研究基于分解的多目标遗传社区检测算法理论与方法，拟给出节点归属度函数，为社区检测问题模型提供新的目标函数。在此基础上，建立基于分解多目标遗传算法的社区检测问题的数学模型，把软件生态系统社区检测问题转化为数学优化问题，最后给出相应的进化优化求解方法。

本发明所要解决的技术问题：本发明针对软件生态系统社区检测问题，建立了软件生态系统社区检测问题的数学模型，并给出了相应的基于分解多目标遗传算法的软件生态系统社区检测问题的进化求解方法。

本发明的技术解决方案：一种基于分解多目标遗传算法的软件生态系统社区检测理论与方法，其特征包含以下步骤：