一种基于聚类技术和蚁群算法的社团发现方法

如何在复杂网络中自动地发现社团,对于研究复杂网络的结构、功能和行为有着非常重要的意义。在聚类技术的基础上,提出了一种基于蚁群算法识别相似结点的方法,以优化结点的计算性能。     

谱聚类在社团发现中的应用

在分析谱聚类原理的基础上,研究了其在社团发现中的应用,提出了快速估计社团数量的新方法.该方法通过计算和分析Laplacian矩阵特征值的分布来估计社团的数量,利用K-means算法对Laplacian矩阵特征向量构造的向量空间进行聚类,实现社团的发现.该算法在真实社会网络和合成网络上做了测试,验证了在社团发现中的准确性和有效性.      

基于量子模糊聚类算法的复杂网络社团结构探测

研究了复杂网络的社团结构特性,探讨了复杂网络的社团结构探测算法.针对现有算法中判断社团结构时的主观性问题,提出了量子模糊聚类算法,并将该算法用于复杂网络社团结构的探测.实验结果表明:该算法可以准确、有效地探测到网络中实际存在的社团结构.     

多关系网络社团发现算法

分析了真实社会网络的特性,建立了节点间多关系网络模型.在此基础上定义了节点间相互作用的影响力等概念,提出了适用于多关系网络的社团发现算法.通过理论验证了相关定义的合理性,并针对多关系网络进行了对比实验.实验结果表明:所提出的多关系网络社团发现算法与其他经典算法相比具有较高的精确度和较低的时间复杂度,具有重要的研究意义及实用价值.     

基于社团密合度的复杂网络社团发现算法

传统的社团发现算法大多存在划分效果和复杂度相矛盾的问题,为了解决该问题,提出一种新的单社团结构评价标准——社团密合度(group density).在此基础上,设计了一种基于凝聚思想的社团发现算法,该算法通过不断融合小社团,使网络的社团结构向平均社团密合度最大的方向发展,并使用模块度检测算法的划分结果.通过与经典的GN,Fast Newman,LPA等算法对多个数据集进行实验对比,验证了本文算法在获得较好的划分效果的同时具有较低的时间复杂度.     

复杂网络的社团结构发现

社团结构是复杂网络的一个重要拓扑特征,社团结构发现是研究复杂网络的一个基础性问题,近十年来得到了广泛的关注。本文概要了非重叠社团发现的典型算法,较全面地归纳分析了重叠社团发现算法。并指出了社团发现研究尚存在的一些问题和进一步的研究方向。     

基于聚类系数和节点中心性的链路预测算法

目前复杂网络领域受到越来越多人的广泛关注.其中链路预测是复杂网络研究中的一个热门的分支,被作为预测缺失链路和识别虚假链路的有效手段.传统基于相似性的复杂网络链路预测主要考虑每个节点的某个相似性指标,而该文提出一种基于聚类系数和节点中心性(CCNC)的链路预测算法,将度、聚类系数和节点中心性3个相似度指标结合,引入到复杂...     

采用动态灰聚类算法的风电场动态等值方法

针对风电机组运行状况间具有动态灰色关联性的特点,提出一种基于动态灰聚类算法的风电场动态等值方法.首先,根据实测运行数据对风电机组间的关联性进行分析,并确定数据样本的跨度选取时长.然后,采用动态灰关联分析,构造一个可以体现风电机组运行状况间动态灰色关联性的关联度矩阵G;进而以G中的样本组作为聚类指标进行K均值聚类,得出更合理的机群划分结果.最后,采用容量加权法计算机群等值参数,完成风电场的动态等值.仿真实验结果表明:所建立的动态等值模型与详细模型较接近,能够较准确地反映风电场的动态响应特性.     

基于聚类的复杂网络社团结构发现

我校计算机与信息技术学院教师李艳灵博士获批国家自然科学基金项目:基于聚类的复杂网络社团结构发现,项目编号:61202194.复杂网络是指具有复杂拓扑结构和复杂节点行为的网络系统,它是对现实世界中各种各样的大规模复杂系统的抽象.复杂网络中的社团发现旨在寻找复杂网络中真实存在的社团结构,发现网络中的社团结构对分析     

增量聚类算法的研究与设计

在数据挖掘领域,聚类是对数据初始的处理。动态系统中,由于经常要增加一些新的数据,如果每次对新增的数据都重新聚类,这样就既浪费时间又浪费资源。首先介绍了聚类的基本概念和聚类的分类,在此基础上提出的一种基于特征向量的聚类算法,它只对新增的数据聚类,这样就会节省大量的资源和时间。通过实验,在动态系统中对新增的数据用该增量聚类算法和重新聚类的算法相比较,最后得出结论,该增量聚类算法是可行的。     

基于DCBM的马尔可夫谱聚类社区发现算法

谱聚类划分算法是经典社区发现算法之一,由于目前构造的相似图承载的社区结构信息较少,导致聚类效果与理想效果具有较大差距,因此,提出了基于DCBM的马尔可夫谱聚类社区发现算法MSCD.首先,基于DCBM模型提出了以节点间连接概率为元素的概率矩阵,并建立了概率矩阵与相似矩阵之间的映射关系;其次,利用马尔可夫链重构了谱聚类的相似图;最后,使用重构的相似图对网络进行社区划分.在人工合成网络和真实网络上与SC,MRW-KNN和FluidC三种典型算法进行了对比实验.实验结果表明,MSCD算法具有更加高效的聚类性能,能够揭示更加清晰的社区结构.     

一种基于自适应退避策略的无线传感器网络分簇算法

证明了LEACH算法的不确定特性将会导致某些节点过快耗尽电池能量而缩短系统寿命.提出了一种基于退避策略的负载均衡的分簇算法,通过自适应地调整每个节点的退避等待时间,从而保证拥有较多电池能量的节点有更大的机会成为簇首,并引入信道竞争的机制来保证簇首的均匀分布.仿真实验表明,该算法有效延长了系统寿命,提高了网络的能耗效率.     

一种新的动态进化聚类算法

针对模糊聚类算法不适应复杂环境的问题,提出了一种新的动态进化聚类算法,克服了传统模糊聚类建模算法须事先确定规则数的缺陷。通过改进的遗传策略来优化染色体长度,实现对聚类个数进行全局寻优;利用FCM算法加快聚类中心参数的收敛;并引入免疫系统的记忆功能和疫苗接种机理,使算法能快速稳定地收敛到最优解。利用这种高效的动态聚类算法辨识模糊模型,可同时得到合适的模糊规则数和准确的前提参数,将其应用于控制过程可获得高精度的非线性模糊模型。     

动态社会网络中的社区挖掘算法研究

为解决社区挖掘问题,针对社会网络的动态特性,给出了新的社区定义,并结合连通性和频繁性概念提出一种新的算法DCSMA(Dynamic Community Structure Mining Algorithm)。挖掘时刻连通的个体集合作为社区,采用层状结构模型,根据重要性权重区分社区内个体,使社区结构更加清晰。在标准测试数据集上的实验结果表明了该算法的可行性和有效性。     

一种基于链路稳定性的自组网成簇算法

简要介绍了多跳无线自组织网络的特征并和相关的工作进行了比较,鉴于自组织网络的高度动态拓扑且缺少固定架构,提出了一个新的时间度定义·通过分析两个相邻节点的链路关系,建立了基于两个相邻节点的链路寿命的网络模型·为了产生每个链路的代价以获得更稳定的链路,调查了预测技术的使用·提出了一个基于运动预测机制的分布式成簇策略·仿真结果表明,该方法的稳定性优于最高连通度成簇算法HD和最低标识符成簇算法LCC·     

基于二分网络社团划分的推荐算法

传统的基于用户的协同过滤(User-based CF)推荐算法的推荐效率随着数据的不断增加而降低.本文在User-based CF算法中引入二分网络社团发现理论,提出一种基于二分网络社团划分的推荐算法(RACD).首先通过用户与项目之间的关系建立用户-项目二分网络,然后通过RACD对该网络进行社团划分,得到用户的社团信息,最后通过同一社团中的其他用户对目标用户进行项目的推荐.在经典网络数据集上的实验结果表明,RACD能够有效提高推荐系统实时推荐效率.     

基于小波神经网络预测的Ad Hoc网络分簇算法

针对Ad Hoc网络拓扑结构的动态特性,利用小波神经网络预测模型对节点地理位置进行预测.将预测的总保持时间与阈值比较,可以测得簇在下一时刻的稳定性.如果该簇结构在下一时刻趋于不稳定,则在链路失效之前启动路由预修复机制,以避免链路频繁断裂,从而大幅提高了网络性能.仿真结果表明,与传统最小ID算法和未加预测机制的LWCA分簇算法进行比较,所提出的分簇算法分组投递率分别提高了7%和5%,路由中断次数降低了约63%和50%.     

基于最大选票的无线传感器网络分簇算法

在分簇的传感器网络中,簇首节点的选取将直接影响网络的生存期。提出了一种基于最大选票的分簇算法(CABMV),该算法综合考虑节点剩余能量及网络拓扑结构对簇首选举的影响,每个节点根据邻居节点的投票数决定是否当选簇首。该算法是完全分布的,不依赖网络大小及结构。仿真实验表明,该算法扩充性强,能量利用率高,能有效的延长网络生存期。