基于模块度的生态网络结构评价方法研究

当前,我国正在进行以生态文明为主题的国土空间规划,国土生态空间的生态网络结构优化方法仅从斑块及廊道的功能重要性进行评价,未考虑生态斑块在网络中的结构重要性。为解决网络中生态斑块的结构重要性评价的缺失问题,文中从复杂网络结构的角度分析,提出基于模块度的生态网络结构重要性评价方法,并以哈尔滨市为例进行应用验证。研究结果表明,根据模块度可以用于生态网络结构优化,模块度高的网络结构更稳定;对关键战略点的识别可以维持生态网络结构的稳定性,为国土空间规划中生态空间与城镇空间和农业空间的博弈提供依据。

加权模块度增量引导下的层次社区发现算法

模块度优化层次社区发现算法可以快速挖掘网络中不同密度的社区,对研究网络的功能和演化机制具有重要意义.然而,由于在迭代过程中仅合并模块度增量最大的社区,其收敛速度受到了制约;此外,在社区合并过程中过度强调社区之间的连接强度而忽略了社区之间的相似性,其划分结果的准确度也受到了制约.针对以上问题,提出了加权模块度增量引导下的层次社区发现算法.该算法引入了社区相似度权重,并结合模块度增量构建加权模块度增量,通过优化加权模块度增量划分层次社区;同时,在社区划分过程中引入可调合并阈值,动态调整每轮迭代中合并的社区数量,以优化算法的收敛速度.在不同规模的真实数据集和人工数据集上的实验结果验证了本文方法的正确性和有效性.

基于多目标模块度的多层次电压控制分区方法

提出了衡量无功源控制耦合程度的电气距离定义以及评价分区质量的多目标模块度指标,并提出了一种多层次电压控制分区方法。该方法由化简、分区与还原调整3个阶段组成。化简阶段通过降低聚类数据的维度处理高维聚类问题,并降低问题规模;分区阶段基于凝聚聚类和多目标模块度指标得到兼顾区域内可控性和区域间解耦性的最优分区方案;还原调整阶段调整区域边界节点进一步优化分区方案。同时,计算过程保证了分区内部的连通性。算例验证了该方法的正确性和可行性。结果表明该分区方法得到的分区方案质量较高,可用于大系统电压控制分区问题。

模块度增量与局部模块度引导下的社区发现算法

社区结构是复杂网络的重要特性之一,基于层次聚类的社区发现算法很好地利用了模块度来挖掘网络中的社区结构,但其局限性也导致算法对社区结构复杂的网络划分不够准确、无法发现小于一定规模的社区。在层次聚类的基础上,提出引入局部模块度来弥补模块度在划分社区时的不足,避免可能出现的划分不合理情况。通过真实数据集和人工网络进行了验证,实验结果证明,该算法具有可行性与有效性。

基于相似性模块度最大约束标记传播的网络社团发现算法

提出一种基于相似性模块度最大约束标记传播的快速网络社团发现算法(MLPA)。该方法采用结构相似度计算,通过最大约束标记传播模型更新节点标记,使社团的划分结果更加符合社团内部结构相对紧密、社团之间结构相对稀疏的特点,提高社团划分的精确度。结合标记传播5次循环迭代可以完成95%或者更多节点标记过程的实验结果,判定标记更新过程趋于稳定,从而在稳定时停止更新,降低了运行时间。MLPA避免了传统的邻接矩阵计算方法,适合大规模网络的社团发现。

一种新的评价社区结构的模块度研究

指出Newman和Girvan提出的模块度概念(Physical Review E,2004,E69)不适用于社区大小差异较大的情形。为克服这一缺陷,提出与社区大小无关的连接密度和内聚系数概念,在此基础上,构造一种新的模块度。理论和实践证明,该模块度适用于社区大小相似以及社区大小差异较大的情形。

复杂网络基于局部模块度的社团划分方法

提出了一种基于局部模块度的社团划分算法,该算法的基本思想是将具有最大综合特征值的节点作为初始节点,然后从候选集中找到使局部模块度Q达到最大值时所对应的候选节点,将此节点合并到该社团中,更新候选集合直至Q值不再增加,此时该社团形成。由于算法仅需要利用节点的局部信息,因此时间复杂度很低,并且通过综合特征值,找到聚类中心,从而使得聚类效果大大提高。通过社会学中经典的Zachary网络表明了该算法的可行性,并得到满意的结果。

一种蛋白质复合体模块度函数及其识别算法

蛋白质复合体对于研究细胞活动具有重要意义.随着新的生物实验技术的不断出现,产生了大量的蛋白质相互作用网络.通过对蛋白质相互作用网络进行聚类识别蛋白质复合体是当前研究热点.然而,目前大多数蛋白质复合体识别算法的性能不够理想.为此,提出了蛋白质复合体模块度函数(PQ),并在此基础上提出了基于蛋白质复合体模块度函数的模块合并(based on protein complexes modularity function for merging modules,BMM)算法.BMM算法首先识别网络中一些稠密子图作为初始模块,然后依据PQ函数对这些初始模块进行合并,最终得到了质量较高的蛋白质复合体.将识别出的复合体分别与2种已知的蛋白质复合体数据集进行比对,结果表明BMM算法具有很好的识别性能.此外,与其他最新的识别算法相比,BMM算法的识别准确率较高.

社交网络中基于模块度最大化的标签传播算法的研究

提出了一种利用模块度最大化与社区结构属性相结合的社区发现方法。首先,针对基于模块度最大化的标签传播算法中存在的时间复杂度高的问题,引入传播距离参数,依据"先传播,后合并"的原则,降低了社区合并导致整个网络需要更新带来的较高时间复杂度;其次,结合社区结构的概念提出了基于模块度最大化的标签传播算法(CDMM-LPA);最后,基于网络数据集,验证并分析了CDMM-LPA算法的可行性。实验结果表明,CDMM-LPA算法在降低了时间复杂度的同时,获得了较高的模块度值和更加稳定的强社区结构。

网络自然密度社团结构模块度函数

针对常用的NG模块度存在分辨率限制,不能识别小于一定规模的社团的问题,提出了网络自然密度的定义,用以衡量网络的连接紧密程度,在此基础上构造了密度模块度函数来评估社团结构的划分;进一步分3种情况证明了密度模块度函数,克服了NG模块度函数的分辨率限制问题;最后通过人工网络和经典现实网络验证了密度模块度函数的有效性。

基于模块度优化的标签传播社区发现算法

标签传播算法(LPA)是一种快速高效的社区发现算法,算法无需社区数量等先验信息,但存在大量随机性,稳定性较差.为了提高标签传播算法的稳定性,提出了一种改进的标签传播算法(LPAMP).该算法分为两个阶段,第一阶段以模块度贪婪为依据,进行节点粗聚类;第二阶段在粗聚类的基础上,进行节点标签传播.实验结果表明,所提算法降低了标签传播算法的随机性,增强了稳定性,并且提高了准确率.

耦合模块度优化与谱聚类的供水管网分区算法

为降低供水管网漏损,实现供水管网快速准确分区,提出一种耦合模块度优化与谱聚类的供水管网分区算法。该算法采用快速模块度优化算法对供水管网进行社区划分,以每个社区为节点、社区间连接关系为边,结合各社区内的水力特征和空间区位特征计算差异性作为边权重,构建对偶图。利用谱聚类算法完成供水管网分区。结果表明,该算法求解的管网分区结果相比快速模块度优化和谱聚类算法,将空间上更邻近的管段划分在同一分区,不会产生狭长型无效分区,且在模块度及边界管道数量上表现较为均衡,管网分区方案不仅模块度高,而且边界管道数量少。

基于模块度的社交网络分形维度计算方法

社交网络是由个体或组织以及它们之间的关系所组成的社会结构。利用社交网络的分形结构来解释和预测社交网络的行为是目前的一个研究热点。分形维度是对社交网络中分形结构的度量,为了更准确地对社交网络分形结构进行度量,提出了一种基于模块度的盒子覆盖算法来计算分形维度。该算法利用分形维度和模块度互斥的性质,基于模块度最小的原则来构建盒子,再对盒子进行计数来计算社交网络的分形维度。仿真实验表明:基于模块度的盒子覆盖法比传统的盒覆盖算法得到更为精确的分形维度。

模块度引导下的社区发现增量学习算法

当前社区发现领域存在诸多静态社区划分算法,而其划分结果的不稳定性和较高的算法复杂度已经不能适应如今规模庞大,变化频繁的网络结构。为解决传统静态算法这一局限性,提出了一种利用模块度优化的增量学习算法,将网络结构的变化划分成边变化、点变化两种基本操作,在对"模块度最大化"的规则指导下实现网络结构的增量学习。实验表明,该算法在保证原有社区划分结果的前提下,可以将新变化的节点快速划分进已有社区,并使得模块度与静态算法重新计算模块度相近,节省了时间,保持了社区划分的实时性。

基于节点-模块置信度及局部模块度双重约束挖掘前列腺癌候选疾病模块

前列腺癌病因及发病机理研究有助于前列腺癌预防和治疗.目前,前列腺癌生化试验研究方法成本高、耗时,而基于网络计算方法容易受基因表达谱数据不完整、噪声高及实验样本数量少等约束.为此,本文提出一种基于节点-模块置信度及局部模块度的双重约束算法(命名为NMCOM),挖掘前列腺癌候选疾病模块.NMCOM算法不依赖基因表达谱数据,采用候选基因与致病表型之间一致性得分,候选基因与致病基因之间语义相似性得分融合排序策略,选取起始节点,并基于节点-模块置信度及局部模块度双重约束挖掘前列腺癌候选疾病模块.通过对挖掘出的模块进行富集分析,最终得到18个有显著意义的候选疾病基因模块.与单一打分排序方法及随机游走重开始方法相比,NMCOM融合排序策略的平均排名比小、AUC值大,且挖掘出结果明显优于其他模块挖掘算法,模块生物学意义显著.NMCOM算法不仅能准确有效地挖掘前列腺癌候选疾病模块,且可扩展挖掘其他疾病候选模块.

基于模块度优化的加权复杂网络社团发现算法分析

社团结构是复杂网络的一种重要拓扑结构。针对加权复杂网络中的社团发现问题,在8个不同领域、不同规模的真实数据集上,从模块度、强/弱社团、聚集系数3个评估指标分析了基于模块度优化的GN算法、FN算法、CNM算法和BGLL算法在加权复杂网络社团发现的效果。研究结果表明,上述3个评估指标在加权复杂网络上的划分结果不能始终保持一致,基于优化模块度的算法更倾向于找到复杂网络中比较粗糙的社团结构,而不是精准的社团结构,其算法的泛化能力有待加强。

基于社区特征的平衡模块度最大化社交链接预测模型

链接预测和社区发现是社交网络分析领域的两大研究方向。如何挖掘社区结构帮助提高链接预测效果具有十分重要的意义。在模块度最大化模型的基础上,提出一种基于社区结构特征提取与选择的链接预测方法。首先,在网络进化模型中引入基于社区结构的相似度指标建立局部特征,并利用影响力节点识别方法构建全局特征;然后,采用最小冗余最大相关度的特征选择算法度量特征之间的相互影响,并筛选出最有表示力的候选特征;最后,将基于经过上述步骤处理后的特征融入模块度最大化链接预测模型中。该算法在人工和真实两类数据集上与相关算法做了对比实验,结果证实了该算法的高效性,也表明了基于社区结构的特征提取与选择步骤的必要性。

基于局部模块度的社区层次结构发现方法

为了发现复杂网络中社区之间的层次关系,提出了一种基于局部模块度的社区层次结构发现方法。文章方法克服了多分辨率方法无法给出整个网络的层次划分以及无法直接定位造成社区层次变化的分辨率等方面不足,选取网络中的大度数节点基于R公式进行社区层次结构探测,根据局部模块度值变化过程中产生的极大值和极小值定义了社区层次区分度来判断是否到达层次边界。并对网络进行裁剪,从不同的大度数节点出发来发现网络中的全部层次结构。在经典数据集和人工生成网络上进行了实验,并与现有算法进行比较,实验结果证明章算法的有效性。

基于模块度增量的二分网络社区挖掘算法

针对二分网络的社区挖掘问题,提出了一种基于模块度增量的二分网络社区挖掘算法。该算法假设每个顶点独自构成一个社区,并具有自己的标号。其中,一部分顶点将自己的标号复制并传递到另一部分中的某个顶点上,使之与其位于同一个社区;另一部分的顶点实施同样的操作。如此反复迭代,直至收敛。标号传播时,选择模块度增量最大的边进行传送,使整体模块度不断提高。在真实数据集上进行的测试表明,所提算法能对二分网络进行高质量的社区划分。

基于模块度的无线传感器网络分簇算法

提出了一个新的基于模块度的无线传感器网络分簇算法.该算法是先在传感器网络本身结构的基础上形成簇,同时应用了一个新的参数-模块度来评估所形成的簇结构是否与真实的网络结构相匹配.基于上述所得到的一个稳定的簇结构,在每个簇内依据节点的剩余能量和簇内能量分布情况来选取簇头.仿真结果表明,与LEACH等分簇算法相比,该算法能够获得一个更合理和更稳定的簇分布,并且有效的提高传感器网络的寿命.