專利名稱：基于共鄰矩陣譜信息的多目標(biāo)社區(qū)檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于復(fù)雜網(wǎng)絡(luò)和多目標(biāo)優(yōu)化技術(shù)領(lǐng)域，涉及復(fù)雜網(wǎng)絡(luò)中的數(shù)據(jù)挖掘技木、 共鄰矩陣的譜信息和進(jìn)化計(jì)算中的多目標(biāo)優(yōu)化技術(shù)，用于復(fù)雜網(wǎng)絡(luò)中的社區(qū)檢測，能夠同時發(fā)現(xiàn)網(wǎng)絡(luò)的多尺度社區(qū)結(jié)構(gòu)。
背景技術(shù)：
以Internet為代表的信息技術(shù)的迅猛發(fā)展使人類社會大步邁進(jìn)了網(wǎng)絡(luò)時代。現(xiàn)實(shí)世界中的許多系統(tǒng)都可以用復(fù)雜網(wǎng)絡(luò)的形式來描述，如社會系統(tǒng)中的人際關(guān)系網(wǎng)、科學(xué)家合作網(wǎng)絡(luò)和流行病傳播網(wǎng)絡(luò)，生態(tài)系統(tǒng)中的神經(jīng)元網(wǎng)、科技系統(tǒng)中的電子郵件網(wǎng)、因特網(wǎng)和萬維網(wǎng)，電カ系統(tǒng)中的大型電カ網(wǎng)絡(luò)等等。復(fù)雜網(wǎng)絡(luò)理論主要研究的是看上去不相同的復(fù)雜網(wǎng)絡(luò)之間的共性和處理它們的普遍方法。復(fù)雜網(wǎng)絡(luò)已成為研究復(fù)雜系統(tǒng)的ー種重要エ 具和多學(xué)科交叉研究領(lǐng)域。在復(fù)雜網(wǎng)絡(luò)的研究中，網(wǎng)絡(luò)中的節(jié)點(diǎn)代表現(xiàn)實(shí)世界中復(fù)雜系統(tǒng)的獨(dú)立個體,而網(wǎng)絡(luò)中的邊則代表獨(dú)立個體之間按照某種規(guī)則而自然形成或人為構(gòu)造的ー種抽象的連接關(guān)系。大量的實(shí)驗(yàn)研究表明，復(fù)雜網(wǎng)絡(luò)不僅具有“小世界特性”和“冪律度分布特性”外，而且還具有社區(qū)結(jié)構(gòu)特性。社區(qū)結(jié)構(gòu)特性指的是網(wǎng)絡(luò)中屬于同一社區(qū)的節(jié)點(diǎn)之間有很多邊緊密相連，而屬于不同社區(qū)的節(jié)點(diǎn)之間只有很少的邊使它們之間的連接比較稀疏，而同一社區(qū)內(nèi)的節(jié)點(diǎn)在復(fù)雜網(wǎng)絡(luò)中有著近乎相同的作用，因此ー個社區(qū)可以看做復(fù)雜網(wǎng)絡(luò)中ー個抽象的獨(dú)立個體。由于復(fù)雜網(wǎng)絡(luò)規(guī)模較大，結(jié)構(gòu)復(fù)雜，研究起來比較復(fù)雜，這ー特性的發(fā)現(xiàn)可以把復(fù)雜網(wǎng)絡(luò)劃分為較小的子網(wǎng)絡(luò)分別研究它們的特性，從而使研究變得較為簡単。在大型復(fù)雜網(wǎng)絡(luò)中自動搜尋或發(fā)現(xiàn)社區(qū)，具有重要的實(shí)用價值。如社會網(wǎng)絡(luò)中的社區(qū)代表根據(jù)興趣或背景而形成的真實(shí)的社會団體；引文網(wǎng)絡(luò)中的社區(qū)代表針對同一主題的相關(guān)論文；萬維網(wǎng)中的社區(qū)就是討論相關(guān)主題的若干網(wǎng)站；而生物化學(xué)網(wǎng)絡(luò)或者電子電路網(wǎng)絡(luò)中的社區(qū)可以是某一類功能単元。發(fā)現(xiàn)這些網(wǎng)絡(luò)中的社區(qū)有助于我們更加有效地理解和開發(fā)這些網(wǎng)絡(luò)。復(fù)雜網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)發(fā)現(xiàn)是刻畫和研究復(fù)雜系統(tǒng)的結(jié)構(gòu)和行為的重要方法，隨著社會學(xué)研究工作者Girvan和Newman以及其它學(xué)者的研究成果，使得復(fù)雜網(wǎng)絡(luò)中的社區(qū)發(fā)現(xiàn)成為近幾年復(fù)雜網(wǎng)絡(luò)領(lǐng)域的ー個研究熱點(diǎn)并形成了復(fù)雜網(wǎng)絡(luò)中ー個重要的研究方向。目前已經(jīng)提出了很多社區(qū)檢測方法，主要分為兩類啟發(fā)式算法和優(yōu)化方法。在啟發(fā)式算法中，主要有基于圖論的圖分割法和層次聚類法，而在優(yōu)化方法中，主要是構(gòu)造ー個目標(biāo)函數(shù)，利用各種方法如進(jìn)化算法對目標(biāo)函數(shù)進(jìn)行優(yōu)化，在優(yōu)化的過程中同時發(fā)現(xiàn)網(wǎng)絡(luò)中潛在的社區(qū)結(jié)構(gòu)。圖分割算法的核心就是二分，也就是說先把網(wǎng)絡(luò)劃分為兩個最優(yōu)的社區(qū)，然后再對這兩個社區(qū)分別劃分，依次反復(fù)，直到達(dá)到所要求的社區(qū)個數(shù)時停止。該算法主要包括基于圖的Laplace矩陣特征向量的譜平分法和Kernighan-Lin算法簡稱KL算法,它們共有的缺點(diǎn)就是劃分多個社區(qū)時也面臨著必須事先知道網(wǎng)絡(luò)中的社區(qū)數(shù)目，以及確定算法需要重復(fù)到哪ー步停止。層次聚類法是基于各個節(jié)點(diǎn)之間連接的相似性或者強(qiáng)度，把網(wǎng)絡(luò)自然地劃分為各個子網(wǎng)絡(luò)的ー種方法。根據(jù)加邊還是去邊，可以分為凝聚算法和分裂算法。凝聚算法的基本思想是基于網(wǎng)絡(luò)中節(jié)點(diǎn)的某種相似性來進(jìn)行聚類，毎次合并相似度最大的節(jié)點(diǎn)，直到整個網(wǎng)絡(luò)合并為ー個社區(qū)；分裂算法中最經(jīng)典是Girvan Newman算法簡稱GN算法,它是Girvan 和Newman在2003年提出的一種基于邊介數(shù)的社區(qū)發(fā)現(xiàn)算法。GN算法本身有明顯的缺陷， 首先，算法的復(fù)雜度比較高，因此僅僅適用于中等規(guī)模的網(wǎng)絡(luò)；其次，在事先不知道社區(qū)數(shù)目的情況下，GN算法也無法確定要分解到哪ー步終止。為了解決對于一個給定的網(wǎng)絡(luò)，究竟哪ー種劃分更合理，Newman等人提出了ー種衡量網(wǎng)絡(luò)劃分質(zhì)量好壞的評價標(biāo)準(zhǔn)-模塊度。此后，基于模塊度優(yōu)化的社區(qū)劃分方法相繼出現(xiàn)，但利用模塊度存在著分辨率限制的問題，也就是說網(wǎng)絡(luò)中通過模塊度優(yōu)化并不能發(fā)現(xiàn)很小的社區(qū)。和聲搜索算法是ー種新興的智能優(yōu)化算法。作為ー類啟發(fā)式搜索算法，已被成功應(yīng)用于多目標(biāo)優(yōu)化領(lǐng)域，發(fā)展成為ー個相對較熱的研究方向一進(jìn)化多目標(biāo)優(yōu)化。此外，在優(yōu)化方法中，也相繼提出了很多目標(biāo)，如為了解決模塊度分辨率限制而提出的模塊度密度、community scores、community fitness等,但這些方法基本上都是單目標(biāo)方法，毎次只能發(fā)現(xiàn)網(wǎng)絡(luò)的ー種社區(qū)結(jié)構(gòu)，而且這些方法基本都是基于基因近鄰或者是社區(qū)編號的編碼方式，編碼較長，對于大型復(fù)雜網(wǎng)絡(luò)存在著時間復(fù)雜度高的問題，同時，也提出了很多多目標(biāo)優(yōu)化方法，如 C. Pizzuti 在“A Multi-objective Genetic Algorithm for Community Detection in Networks，，(Proceedings of tne 21st IEEE International Conference on Tools with Artificial Intelligence, pp. 379-386,2009)中提出了 MOGA-Net算法，但是這些方法準(zhǔn)確率較低，效果并不理想。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對以上算法的不足，提出一種基于共鄰矩陣譜信息的多目標(biāo)社區(qū)檢測方法，以縮短編碼長度，降低時間復(fù)雜度，提高檢測準(zhǔn)確率和分辨率。實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是提取修正后共鄰矩陣的譜信息代表節(jié)點(diǎn)，設(shè)定社區(qū)的最大個數(shù)以決定和聲的編碼長度，采取基于中心的編碼方式，利用自適應(yīng)多目標(biāo)和聲搜索算法檢測復(fù)雜網(wǎng)絡(luò)中的多層次社區(qū)結(jié)構(gòu)，具體步驟包括如下(I)根據(jù)網(wǎng)絡(luò)的節(jié)點(diǎn)和邊的信息，建立網(wǎng)絡(luò)的N階鄰接矩陣A :若節(jié)點(diǎn)i和j之間有邊相連，則Ay = I，否則Ay = 0，N為網(wǎng)絡(luò)中節(jié)點(diǎn)的個數(shù)；(2)根據(jù)鄰接矩陣A建立網(wǎng)絡(luò)的共鄰矩陣M，該M中的元素Mi, j為 = 4表示節(jié)點(diǎn)i和k之間的邊的連接關(guān)系,如果節(jié)點(diǎn)i和k之間有邊相連，
則Ai,k = I,否則Ai,k = 0, Aj,k表示節(jié)點(diǎn)j和k之間的邊的連接關(guān)系,如果節(jié)點(diǎn)j和k之間有邊相連，則A^t = 1，否則A^t = 0，k的取值為從I到N ;(3)將Mi^更新為M' = (Mi,,1) XAi^對i和j分別從I取到N，得到由M' ^ j構(gòu)成的修正后的共鄰矩陣M,；(4)根據(jù)修正后的共鄰矩陣M,求出對角矩陣D及D的逆矩陣D—1 ；(5)根據(jù)共鄰矩陣M'和逆矩陣D—1求出標(biāo)準(zhǔn)矩陣N0 = D_V，然后對標(biāo)準(zhǔn)矩陣NO進(jìn)行特征值分解，求出特征值X1, A2,…，Xn和對應(yīng)的特征向量V1, V2,…，Vn，對N個特征值降序排列為入'々N，與這N個降序排列的特征值相對應(yīng)的降序排列后的特征向量分別為V' ,,N' 2，…，V' N，求出降序排列后的特征向量V' 2的最大值和最小值分別為a = max (V' 2), b = minW 2)；(6)設(shè)定自適應(yīng)多目標(biāo)和聲捜索算法的各個參數(shù)，初始化大小為S的父代和聲記憶庫 H(t) = (H1 (t),H2 (t),…，Hs(t)}, t = 0 :姆ー個和聲 Hi (t), i = 1,2,，S 包括標(biāo)記部
分和中心部分兩個部分，標(biāo)記部分為ヶ⑷ニ丨ルん如ゐ…如ん^^ルんルん…’ル^“均是0-1
之間隨機(jī)分布的隨機(jī)數(shù)，中心部分為h (0 = Icenter^center2,...,cente^ } ,center” cente r2 ”.., center 均
是a-b之間隨機(jī)分布的隨機(jī)數(shù)，Kfflax為設(shè)定的參數(shù)，表示社區(qū)的最大個數(shù)；(7)確定父代和聲記憶庫H(t) = (H1 (t),H2(t),…，Hs(t)}中的每ー個和聲的社區(qū)中心，計(jì)算每ー個和聲中每ー個節(jié)點(diǎn)到所有社區(qū)中心的距離，把所有節(jié)點(diǎn)劃分到距離最近的那個社區(qū)中，得到每個和聲的社區(qū)劃分；(8)根據(jù)得到的社區(qū)劃分計(jì)算父代和聲記憶庫中每個和聲的適應(yīng)度；(9)設(shè)t = t+1，求出當(dāng)前迭代的和聲保留概率、音調(diào)微調(diào)概率和帶寬，用和聲捜索的方式產(chǎn)生子代和聲記憶庫H(t)；(10)對子代和聲記憶庫H(t)執(zhí)行步驟(7)-(8)；(11)合并父代和子代和聲記憶庫，并對其進(jìn)行快速非支配排序，產(chǎn)生臨時子代和聲記憶庫H' (t)；(12)對臨時子代和聲記憶庫H' (t)進(jìn)行局部學(xué)習(xí)，得到更新的臨時子代和聲記憶庫H" (t)；(13)對更新的臨時子代記憶庫H" (t)進(jìn)行快速非支配排序，選出前S個和聲，將其作為父代和聲記憶庫H(t)，對父代和聲記憶庫H(t)進(jìn)行快速非支配排序，得到非支配和聲；(14)判斷當(dāng)前迭代次數(shù)是否滿足最大迭代次數(shù)，如滿足，執(zhí)行步驟(15)，否則返回步驟(9)；(15)取出父代和聲記憶庫H(t)中的非支配和聲作為最終的解集；(16)從最終的解集中找出共鄰模塊度最大的和聲,將這個和聲放入大小為I的和聲記憶庫中，作為父代和聲記憶庫，并執(zhí)行步驟(7)，得到對應(yīng)的社區(qū)劃分，作為最終的社區(qū)劃分結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)第一，本發(fā)明在社區(qū)劃分的過程中采用了基于社區(qū)中心的混合編碼方式，降低了時間復(fù)雜度，克服了現(xiàn)有的編碼方式隨著網(wǎng)絡(luò)規(guī)模增大而時間復(fù)雜度增大的缺點(diǎn)，提高了社區(qū)劃分的適用性。第二，本發(fā)明在社區(qū)劃分的過程中充分考慮了節(jié)點(diǎn)之間共同鄰節(jié)點(diǎn)的信息，構(gòu)造了共鄰矩陣，并對共鄰矩陣進(jìn)行修正，使得修正后的共鄰矩陣可以看作相似度矩陣，使修正共鄰矩陣使相同社區(qū)內(nèi)的節(jié)點(diǎn)之間的相似度更大，不同社區(qū)間的節(jié)點(diǎn)之間的相似度更小， 提高了社區(qū)劃分的準(zhǔn)確性。第三，本發(fā)明在社區(qū)劃分的過程中利用修正共鄰矩陣構(gòu)造了修正模塊度函數(shù)，并將其拆分為兩個函數(shù)，采用多目標(biāo)和聲捜索方法對這兩個目標(biāo)進(jìn)行優(yōu)化，在優(yōu)化的過程中， 社區(qū)的個數(shù)和社區(qū)的大小能夠自動生成，優(yōu)化結(jié)束后能夠得到復(fù)雜網(wǎng)絡(luò)的多層次社區(qū)結(jié)構(gòu)，提高了社區(qū)劃分的分辨率。第四，本發(fā)明在社區(qū)劃分的過程中利用了局部學(xué)習(xí)的思想，克服了現(xiàn)有技術(shù)容易陷入局部最優(yōu)狀態(tài)的缺點(diǎn)，進(jìn)ー步提高了社區(qū)劃分的準(zhǔn)確性。


圖I是本發(fā)明的流程圖；圖2是本發(fā)明中的和聲編碼圖；圖3是本發(fā)明使用的Bottlenose Dolphins復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)及真實(shí)社區(qū)劃分4是本發(fā)明具體實(shí)例人工合成復(fù)雜網(wǎng)絡(luò)的測試結(jié)果曲線圖；圖5是用本發(fā)明對Bottlenose Dolphins復(fù)雜網(wǎng)絡(luò)測試的折中曲線圖；圖6是對圖5折中曲線圖中不同社區(qū)個數(shù)解對應(yīng)的社區(qū)劃分結(jié)果圖。具體實(shí)施方法參照附圖1，本發(fā)明的具體實(shí)現(xiàn)步驟如下步驟I.根據(jù)復(fù)雜網(wǎng)絡(luò)建立修正共鄰矩陣M，按如下步驟進(jìn)行I. I)根據(jù)網(wǎng)絡(luò)的節(jié)點(diǎn)和邊的信息，建立網(wǎng)絡(luò)的N階鄰接矩陣

權(quán)利要求
1.一種基于共鄰矩陣譜信息的多目標(biāo)社區(qū)檢測方法，包括如下步驟(1)根據(jù)網(wǎng)絡(luò)的節(jié)點(diǎn)和邊的信息，建立網(wǎng)絡(luò)的N階鄰接矩陣A:若節(jié)點(diǎn)i和j之間有邊相連，則Aiij = I，否則Aiij = 0，N為網(wǎng)絡(luò)中節(jié)點(diǎn)的個數(shù)；(2)根據(jù)鄰接矩陣A建立網(wǎng)絡(luò)的共鄰矩陣M，該M中的元素Mi,j為 Mh} = AikAj, 4>表示節(jié)點(diǎn)i和k之間的邊的連接關(guān)系，如果節(jié)點(diǎn)i和k之間有邊相連， 則Ai,k = I,否則Ai,k = O, Aj,k表示節(jié)點(diǎn)j和k之間的邊的連接關(guān)系,如果節(jié)點(diǎn)j和k之間有邊相連，則Aj,k = 1，否則Aj,k = 0，k的取值為從I到N ;(3)將Miij更新為M'i,」=(Mijj+1)i和j分別從I取到N，得到由Mi 構(gòu)成的修正后的共鄰矩陣W ;(4)根據(jù)修正后的共鄰矩陣M,求出對角矩陣D及D的逆矩陣D—1；(5)根據(jù)共鄰矩陣M,和逆矩陣D—1求出標(biāo)準(zhǔn)矩陣N0= D-1Mi，然后對標(biāo)準(zhǔn)矩陣NO進(jìn)行特征值分解，求出特征值X1, λ2，…，λ Ν和對應(yīng)的特征向量V1, V2,…，Vn，對N個特征值降序排列為λ ' A λ丨Ν，與這N個降序排列的特征值相對應(yīng)的降序排列后的特征向量分別為V' ,,N' 2，…，V' Ν，每個降序排列后的特征向量都用列表示，把所有降序排列后的特征向量按列堆疊構(gòu)成了一個矩陣V'，那么V'中每一列代表一個降序排列后的特征向量，每一行則代表了一個節(jié)點(diǎn)，節(jié)點(diǎn)的維數(shù)為N，求出降序排列后的特征向量V' 2的最大值和最小值分別為a = max(v' 2) b = min(V/ 2)；(6)設(shè)定自適應(yīng)多目標(biāo)和聲搜索算法的各個參數(shù)，初始化大小為S的父代和聲記憶庫 H(t) = (H1 (t),H2 (t), ···,&(!:)}, t = O :每一個和聲 Hi (t), i = I, 2,…，S 包括標(biāo)記部分和中心部分兩個部分,標(biāo)記部分為4 (O = {flaSi, fla8i,fla8K_ } Jagl, Jlag2,均是0_I之間隨機(jī)分布的隨機(jī)數(shù)，中心部分為化(O = {center^center,,...,center^ } ,Centerl, Center2,…,center K 均是a-b之間隨機(jī)分布的隨機(jī)數(shù)，Kfflax為設(shè)定的參數(shù)，表示社區(qū)的最大個數(shù)；(7)確定父代和聲記憶庫H(t)= (H1 (t),H2(t),…，Hs(t)}中的每一個和聲的社區(qū)中心，計(jì)算每一個和聲中每一個節(jié)點(diǎn)到所有社區(qū)中心的距離，把所有節(jié)點(diǎn)劃分到距離最近的那個社區(qū)中，得到每個和聲的社區(qū)劃分；(8)根據(jù)得到的社區(qū)劃分計(jì)算父代和聲記憶庫中每個和聲的適應(yīng)度；(9)設(shè)t= t+Ι，求出當(dāng)前迭代的和聲保留概率、音調(diào)微調(diào)概率和帶寬，用和聲搜索算法產(chǎn)生子代和聲記憶庫H(t)；(10)對子代和聲記憶庫H(t)執(zhí)行步驟(7)-(8)；(11)合并父代和聲記憶庫和子代和聲記憶庫，并對其進(jìn)行快速非支配排序，產(chǎn)生臨時子代和聲記憶庫H' (t)；(12)對臨時子代和聲記憶庫H'(t)進(jìn)行局部學(xué)習(xí)，得到更新的臨時子代和聲記憶庫 H"⑴；(13)對更新的臨時子代記憶庫H"(t)進(jìn)行快速非支配排序，選出前S個和聲，將其作為父代和聲記憶庫H(t)，對父代和聲記憶庫H(t)進(jìn)行快速非支配排序，得到非支配和聲；(14)判斷當(dāng)前迭代次數(shù)是否滿足最大迭代次數(shù)，如滿足，執(zhí)行步驟(15)，否則返回步驟(9)；(15)取出父代和聲記憶庫H(t)中的非支配和聲作為最終的解集；(16)從最終的解集中找出模塊度最大的和聲,將這個和聲放入大小為I的和聲記憶庫中，作為父代和聲記憶庫，并執(zhí)行步驟(7)，得到對應(yīng)的社區(qū)劃分，作為最終的社區(qū)劃分結(jié)果O
2.根據(jù)權(quán)利要求I所述的基于共鄰矩陣譜信息的多目標(biāo)社區(qū)檢測方法，其中步驟(7) 所述的確定父代和聲記憶庫H (t) = (H1 (t), H2 (t), ···, Hs (t)}中的每一個和聲的社區(qū)中心，按如下步驟進(jìn)行(7a)根據(jù)父代和聲記憶庫中每一個和聲Hi (t)的標(biāo)記部分Ii1 (t)的值f Iagj判斷對應(yīng)的社區(qū)中心center」是否被激活,如果flag」彡O. 5,則對應(yīng)的社區(qū)中心center」被激活,否則不被激活，其中，i = 1,2,…，S，S表示父代和聲記憶庫的大小，j = 1,2,…，Kmax, Kmax 表示社區(qū)的最大個數(shù)；(7b)求出降序排列后的特征向量V' 2中的每個值到所有被激活的中心的距離，并用 Vf 2中距離被激活中心最近的值代替被激活中心，成為社區(qū)中心。
3.根據(jù)權(quán)利要求I所述的基于共鄰矩陣譜信息的多目標(biāo)社區(qū)檢測方法，其中步驟(8) 所述的根據(jù)得到的社區(qū)劃分計(jì)算父代和聲記憶庫中每個和聲的適應(yīng)度，按如下步驟進(jìn)行(Sa)借鑒以鄰接矩陣為基礎(chǔ)的模塊度的定義，修正共鄰矩陣為基礎(chǔ)的共鄰模塊度的定義為Q(B) =Σ ceB[|N(c) |/η-( Σ ve cN(v)/(2n))2],其中，B為所有的社區(qū)的組合，c為其中的一個社區(qū)，η為整個網(wǎng)絡(luò)中各節(jié)點(diǎn)對之間修正共同鄰節(jié)點(diǎn)的個數(shù)，|N(c)|為社區(qū)c中所有節(jié)點(diǎn)對之間的修正共同鄰節(jié)點(diǎn)的個數(shù)的和， N(V)為節(jié)點(diǎn)ν與網(wǎng)絡(luò)中所有節(jié)點(diǎn)之間修正共同鄰節(jié)點(diǎn)的個數(shù)的和；(Sb)對共鄰模塊度的公式進(jìn)行拆分，用I減去該公式中的第一部分Σ eeB(|N(c) |/n) 作為第一個目標(biāo)函數(shù)，表示為intra(B) = I- Σ eeB(|N(c) I/n)，將該公式中的第二部分 Σ ceB( Σ veeN(v)/(2n))2 作為第二個目標(biāo)函數(shù)，表示為 inter(B) =Σ ceB( Σ vecN(v)/ (2η))2；(8c)計(jì)算整個網(wǎng)絡(luò)中各節(jié)點(diǎn)對之間修正共同鄰節(jié)點(diǎn)的個數(shù)η，根據(jù)每個和聲的社區(qū)劃分，得到所有的社區(qū)B以及每個社區(qū)中的節(jié)點(diǎn)，分別統(tǒng)計(jì)每個社區(qū)中所有節(jié)點(diǎn)對之間的修正共同鄰節(jié)點(diǎn)的個數(shù)的和|n(c) I和每個社區(qū)中每個節(jié)點(diǎn)ν與網(wǎng)絡(luò)中所有節(jié)點(diǎn)之間的修正共同鄰節(jié)點(diǎn)的個數(shù)的和N(V)，然后將計(jì)算結(jié)果代入以上兩個目標(biāo)函數(shù)，得到父代和聲記憶庫中每個和聲的適應(yīng)度。
4.根據(jù)權(quán)利要求I所述的基于共鄰矩陣譜信息的多目標(biāo)社區(qū)檢測方法，其中步驟(9) 所述的計(jì)算當(dāng)前迭代的和聲保留概率、音調(diào)微調(diào)概率和帶寬，按如下公式計(jì)算和聲保留概率HMCR (t) = HMCRmax-(HMCRmax-HMCRmin) Xt/T，音調(diào)微調(diào)概率PAR(t) = PARmin+(PARmax-PARmin) Xt/T,帶寬BW(t) = Bffmax exp(ln(Bffmin/Bffmax) Xt/T),其中，HMCRmax, HMCRmin分別為和聲保留概率的最大值和最小值，PARmax, PARmin分別為音調(diào)微調(diào)概率的最大值和最小值，BWmax，BWmin分別為帶寬的最大值和最小值，t為當(dāng)前迭代數(shù)， T為最大迭代次數(shù)。
5.根據(jù)權(quán)利要求I所述的基于共鄰矩陣譜信息的多目標(biāo)社區(qū)檢測方法，其中步驟(12) 所述的對臨時子代和聲記憶庫H' (t)進(jìn)行局部學(xué)習(xí)，得到更新的臨時子代和聲記憶庫 H" (t)，按如下步驟進(jìn)行(12a)從臨時子代和聲記憶庫H' (t)中選出前20%個和聲構(gòu)成大小為L的局部和聲記憶庫 x(t) = (X1 (t), X2 (t), ···, Xl(t)}；(12b)在局部和聲記憶庫X (t) = (X1 (t),X2(t), -,XL(t)}的基礎(chǔ)上用和聲搜索的方式產(chǎn)生大小為L的新局部和聲記憶庫X' (t) = {X' i(t),X' 2(t),…，V Jt)},對新局部和聲記憶庫執(zhí)行權(quán)利要求I的步驟(7)-(8)；(12c)對每一個新和聲X' At)進(jìn)行判斷如果新和聲X' Jt)能夠支配臨時子代記憶庫H' (t)中所有的和聲，則將新和聲X' Jt)加入到臨時子代記憶庫H' (t)中，否則不加入，對每一個新和聲Γ Jt)都判斷完成后得到更新的臨時子代記憶庫H" (t)，其中， i = 1，2，…，L，L為新局部和聲記憶庫的大小。
全文摘要
本發(fā)明提出了一種基于修正共鄰矩陣譜信息的多目標(biāo)社區(qū)檢測方法，主要解決的是現(xiàn)有的社區(qū)檢測方法分辨率低及對于大型網(wǎng)絡(luò)時間復(fù)雜度高的問題。其實(shí)現(xiàn)步驟為根據(jù)網(wǎng)絡(luò)構(gòu)造共鄰矩陣并修正；提取修正共鄰矩陣的譜信息；用譜信息初始化父代記憶庫，求出父代記憶庫的適應(yīng)度；用和聲搜索算法從父代記憶庫中產(chǎn)生子代記憶庫，并求出子代記憶庫的適應(yīng)度；合并父代和子代記憶庫，對其進(jìn)行非支配排序得到臨時記憶庫；對臨時記憶庫進(jìn)行局部學(xué)習(xí)，得到更新的臨時記憶庫，從更新的臨時記憶庫中得到下次迭代的父代記憶庫；如果達(dá)到最大迭代次數(shù)，取出父代記憶庫中所有非支配解作為最終解集，否則繼續(xù)迭代。本發(fā)明具有提高社區(qū)檢測分辨率和降低時間復(fù)雜度的優(yōu)點(diǎn)。
文檔編號H04L29/08GK102594909SQ20121006684
公開日2012年7月18日 申請日期2012年3月14日 優(yōu)先權(quán)日2012年3月14日
發(fā)明者于昕, 公茂果, 劉若辰, 尚榮華, 李陽陽, 焦李成, 陳靜, 馬文萍 申請人:西安電子科技大學(xué)