关键词:
复杂网络
社团检测
多属性决策
多目标优化
摘要:
现实世界中的系统可以被建模为复杂网络,利用结点和边表示系统中的参与者及参与者间的交互关系。社团是复杂网络的重要特征之一,通过对社团结构进行研究,探索结构特征与功能特性之间的对应关系,可以优化复杂网络和现实系统的功能。因此,社团检测对熟悉网络结构并充分发挥系统价值具有重要意义。多重网络(Multiplex network)是一种由多个单层网络构成的网络,是多层网络的一种特例。在多重网络中,每一层对应于一种交互类型,可用于表示相同实体之间的不同交互模式,能够更加完整地反映实际系统中的信息。在多重网络中进行社团检测通常需要聚合每一层中结点的连接信息,从而更加准确地检测出社团结构。本文在以往相关研究的基础上,基于多属性决策技术TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)提出了采用遗传策略的单层网络社团检测算法TMGA,以及采用层次融合思想的多重网络社团检测算法MTMGA和TLVA算法。(1)基于遗传策略的社团检测算法TMGA。该算法使用多属性决策技术中的TOPSIS方法综合单层网络中四种相似度的优势,得到能够衡量网络中结点相似关系的相似度得分T-Score,并将T-Score作为结点间边的权重,得到新的单层加权图。TMGA在该加权图上使用矩阵编码方式和NSGA-II算法的框架,首先初始化结点的社团归属及结点间的连边,利用归属矩阵和邻接矩阵进行编码,并基于矩阵运算设计新的交叉和变异方式,迭代地产生新的社团结构。同时,TMGA在加权模块度的基础上构建外部目标和内部目标作为适应度函数来衡量社团的质量。迭代终止后,TMGA选取第一帕累托前沿的解作为单层网络的社团结构。(2)基于层次融合思想的的MTMGA和TLVA算法。MTMGA和TLVA利用多属性决策技术TOPSIS融合多重网络不同层中结点的相似度,得到相似度得分M T-Score,把多重网络聚合为单层加权图。本文在该加权图上使用基于矩阵编码的遗传策略,把TMGA拓展到多重网络中形成了MTMGA算法,采用简化后的多重模块度和共享社团冗余连接率作为适应度函数,并选取第一帕累托前沿的解作为多重网络的社团结构。同时,我们在该加权图上基于加权模块度实现了TLVA算法,首先把加权图中的每个结点看作单独的一个集合,将结点移入模块度增量最大且大于0的邻居集合中。再把每个集合压缩为一个超结点,将集合内边的总权重作为结点自环的权重,不同集合间的多条边视为一条边,邻居集合间的边的总权重作为新的边的权重。重复以上步骤,得到多重网络的社团结构。本文在多个复杂网络上分别对TMGA、MTMGA和TLVA算法进行实验,并与其它算法比较社团检测的结果。通过实验表明,TMGA、MTMGA和TLVA算法相较于其它算法具有更加优越的社团检测能力。