[发明专利]基于博弈和遗传算法的网络重构算法

摘要

本发明属于复杂网络技术领域，具体公开了一种基于博弈和遗传算法的网络重构算法。其主要实现步骤包括：首先，对于节点数为N的网络，随机初始化A个0-1矩阵，初始化博弈策略；其次，已知节点实际收益值，计算A个矩阵的节点收益值，以及每个节点的总收益值；再次，根据遗传算法更新种群，迭代T代得到A个新的矩阵；最后，根据对压缩感知网络重构算法的改进，用它进行单个节点重构，直到所有节点收益值与实际收益相等，就得到了实际的网络。本发明对节点较多，度较大的网络重构也能完全正确，而且时间也非常快。

主权项

基于博弈和遗传算法的网络重构算法，其特征在于：包括如下步骤：(1)首先随机初始化A个N*N的0‑1矩阵matrix[N][N][A]，A＝100；(2)在囚徒困境博弈下，初始化N个节点的博弈策略state[N]，然后计算出实际网络在博弈策略state[N]下的节点收益和总收益payoff_real[N+1]，以及A个矩阵matrix[N][N][A]的收益payoff[N+1][A]；(3)遗传算法的计算过程：(3.1)每次从A个矩阵matrix[N][N][A]中随机无重复抽取两个矩阵matrix[N][N][a]和matrix[N][N][b]，其中a≠b，a、b分别代表随机抽取的矩阵；(3.2)第一个子代txt[N][N][a]的得到：选取总收益与实际总收益差值最小的父代作为第一个子代，当|payoff[N][a]‑payoff_real[N]|≤|payoff[N][b]‑payoff_real[N]|时，txt[N][N][a]＝matrix[N][N][a]；否则txt[N][N][a]＝matrix[N][N][b]；(3.3)第二个子代txt[N][N][b]的得到：对于txt[i][N][b]第i行的选取，也就是第i个节点的邻接向量的选取：交叉：选取第i个节点收益较接近payoff_real[i]的父代的第i行，即当|payoff[i][a]‑payoff_real[i]|≤|payoff[i][b]‑payoff_real[i]|时，txt[i][N][b]＝matrix[i][N][a]并且payoff_txt[i]＝payoff[i][a]，否则txt[i][N][b]＝matrix[i][N][b]，payoff_txt[i]＝payoff[i][b]，式中N表示将matrix[i][N][b]第i行的N个值全部赋给txt[i][N][b]；变异：在第i行选取之后，当txt[i][j][b]≠txt[j][i][b]时，以概率prop选取:$\mathrm{prop}=\frac{|\mathrm{payoff}\_\mathrm{txt}[i]-\mathrm{payoff}\_\mathrm{real}[i\left]\right|}{|\mathrm{payoff}\_\mathrm{txt}[i]-\mathrm{payoff}\_\mathrm{real}[i\left]\right|+|\mathrm{payoff}\_\mathrm{txt}[j]-\mathrm{payoff}\_\mathrm{real}[j\left]\right|}$当生成的随机数random<prop时，txt[i][j][b]＝txt[j][i][b]，更新节点i收益值payoff_txt[i]，否则txt[j][i][b]＝txt[i][j][b]，更新节点收益值payoff_txt[j]；(3.4)最后更新种群，matrix[N][N][a]＝txt[N][N][a]，matrix[N][N][b]＝txt[N][N][b]；(3.5)重复步骤(3)50次；(4)重复T次步骤(2)和(3)，T＝100，即种群更新迭代100次，得到A个邻接矩阵matrix[N][N][A]；(5)随机抽取一个矩阵matrix[N][N][m],计算节点与实际收益的差值并按降序排列d_value[N][2]，第一列存储节点，第二列存储该节点的收益差值；(6)用基于压缩感知和博弈的重构算法对节点x＝d_value[1][1]重构，得到x的邻接向量avrage[x]：(7)把节点d_value[1][1]的邻接向量avrage[x]按照对称原则对应赋值给步骤(4)得到的100个矩阵matrix[N][N][A]，得到100个新的初始种群，按照步骤(3)运行一次；(8)重复步骤(5)、(6)、(7)直到节点收益值与实际相等，得到重构的网络。