基于模糊重叠动态社区发现的电网局部自组织临界结构辨识

针对以元件级为对象的传统连锁故障关键环节辨识方法存在准确性差、计算量大且时效性低,难以支撑连锁故障预防和控制的问题,该文提出一种基于电网局部自组织临界(self-organized criticality,SOC)结构的区域级关键环节辨识方法。首先,在基于交流最优潮流的ORNL-PSerc-Alaska(OPA)模型的自组织过程中,考虑负荷波动与系统惯性,同时改进连锁故障与调度控制;其次,建立了考虑虚拟节点的动态有向加权电网模型,并计及电网特性对Newman快速算法进行改进;然后,提出了重叠社区发现的中心-重叠-外壳(center-overlap-shell,COS)模型,利用独立的动态社区发现对扰动下的电力社区进行辨识,并采用极大似然估计和p值估计识别局部SOC结构;最后,算例仿真表明:一般电网结构中,大都存在若干接近于或即将处于局部SOC的区域;该类区域在扰动或故障条件触发下能快速产生级联效应,演化为连锁故障,是扰动或故障发生、发展的关键环节。以上工作验证了所提思路和方法的合理性与有效性,为下一步制定连锁故障区域内事前预防和区域间事中控制奠定了理论依据。

一种混合的动态社区发现算法

针对增量式动态社区发现算法存在的误差累积问题和计算复杂度受网络演化程度影响的问题,本文结合标签传播算法和模块度优化算法提出了一种混合的动态社区发现算法.该算法将网络的演变情况分为产生增量较多的剧烈演变和产生增量相对少的非剧烈演变2种情况.为了减少增量处理,对于剧烈演变,该方法将对应的网络快照看做一个完整网络,采用静态方法划分社区.对于非剧烈演变的情况,则采用增量的方式划分社区.在社区划分过程中,同时采用了基于模块度优化的Louvain算法和标签传播算法进行社区结构调整.在人工数据集和真实数据集上的实验验证了本算法的正确性和有效性.

基于谱聚类的社交网络动态社区发现算法

动态社区发现研究是社交网络分析(SNA)的重要研究领域。随着节点加入或离开社交网络,节点间的关系也随之建立或消失,进而影响着社区结构的变化。针对社交网络静态社区发现算法缺少必要的社区节点历史信息而导致的网络结构分析、聚类信息不足和计算开销过大的问题,基于社区网络演化事件的划分并根据主要社区事件的分析,提出一种基于谱聚类的动态社区发现算法(SC-DCDA)。首先,根据实验观察使用谱映射的方法将高维数据降维,并采用改进的模糊C-均值聚类(FCM)算法确定动态社交网络中的节点与待发现社区的关联度;其次,根据演化相似度矩阵分析社区结构。通过使用真实网络数据集以及模块度得分、轮廓系数等社区发现算法衡量指标,评估所提算法的效果。实验结果表明,SC-DCDA的计算开销相较于传统谱聚类降低了8.37%,在所有数据集上的平均模块度得分是0.49,其他衡量指标的定性分析结果也较好,验证了所提算法在信息交互、聚类效果和精确度上表现较好。

动态社区演化研究进展

社区结构是社会网络普遍存在的拓扑特性之一。挖掘社会网络中的社区结构、探测并预测社区结构的变化是社会网络研究中重要的研究课题。主要从时间片处理和动态增量的策略对动态社区演化进行阐述,时间片处理策略介绍了时间片的对比演化、聚类演化、融合演化的研究方法;动态增量策略描述了核心社区、聚类、指标的动态演化的研究方法;最后对社区演化预测的框架进行了归纳总结。

动态社区发现方法研究综述

随着社交媒体多样性的增加,实时分析社交网络的需求不断增大,动态社区发现的研究受到了广泛的关注。已有的社区发现综述多是侧重静态社区发现,以及相关方法的探讨,无法进行网络演化分析,此外社区的实体数据往往具有交叉更替性和时序性,因此对动态社区发现的研究现状进行分析和综述。首先,基于复杂网络的研究背景,提出了通用的动态社区发现研究框架;接着,形式化表示动态社区发现的相关定义,并从网络层面和节点层面对动态社区演化进行详细分析;然后,根据架构和技术的不同,对动态社区发现方法进行归纳分类,并结合常用数据集和评价指标对经典静态社区发现算法进行定性和定量分析;最后,介绍了社区发现的典型应用场景,探讨了当前动态社区发现研究面临的主要挑战,针对性地提出了相关解决方案,为动态社区发现研究领域勾画出较为清晰和全面的研究方向。

在线社会网络的动态社区发现及演化

在线社会网络研究中,动态隐含社区或群组结构的发现及演化探测是一个十分关键的核心问题,它对于在中观(Mesoscopic)视图观察在线社会网络隐结构特征、预测演化趋势、掌控网络势态、发现网络异常群体事件等具有重要意义.文中首先分析了动态社区发现和社区演化研究的关系,给出动态社区研究中关键挑战问题;然后根据问题背景的不同,从"同构社会网络的动态社区研究"和"异构社会网络的动态社区研究"两个方面进行国内外相关研究现状的阐述和分析,其中,在"同构社会网络的动态社区研究"中,根据评价方法的差异和关注问题的不同将当前相关研究分为基于时空独立评价、时空集成评价、统一评价和增量式算法4大类进行综述,同时对动态社区发现的重要应用——异常群体发现的研究进行介绍;最后对在线社会网络动态社区领域的难点和发展趋势进行分析和展望.

基于密度聚类的增量动态社区发现算法

现实世界中社交网络中的节点和边随时间动态增加或消失,导致网络中的社区结构也随之发生变化,因此,文中提出基于密度聚类的增量动态社区发现算法.首先,基于改进后的DBSCAN生成初始时刻社区.然后,提出边变化率指标,并结合余弦相似度指标确定相邻时刻邻居发生变化的节点及其邻居节点的社区归属调整.在进行社区归属度计算时,不仅考虑节点直接邻居的影响,还考虑间接邻居的影响.最后,通过迭代更新模块度增益进行社区合并,以减少噪声社区的干扰.在人工数据集和真实数据集上的实验表明,文中算法可以有效应对网络结构突变和增量计算累积误差带来的影响,具有较低的时间复杂度.

基于个体稳定度博弈的动态社区发现算法研究

在动态网络中发现社区结构是一个复杂而又有重要意义的课题。该文针对动态网络中的社区发现问题,提出一种基于个体稳定度的博弈论方法(PDG)。在该博弈方法中,网络中的每个节点都是一个独立个体。个体会根据网络中的其他个体的状态,使用最佳应对策略进行社区的选择。针对网络演化过程中的社区更新问题,该文提出了格局检测(Configuration checking)等优化策略,从而大大提高了演化网络的社区发现的效率。最后,在真实演化网络的实验中,与最新的静态和动态社区发现方法进行对比,验证了PDG方法的效率和效果。

基于社会网络增量的动态社区组织探测

在现实世界中,社会网络结构并不是一成不变的,而是随着时间的推移不断变化,同样社区作为社会网络的一个本质特性也是如此。为了揭示真实的网络社区结构,该文提出一种基于属性加权网络的增量式动态社区发现算法,将网络的属性信息融合在拓扑图中,定义了节点与社区之间的拓扑势吸引,利用网络相对于前一时刻的改变量不断更新完善当前时刻社区结构。通过在真实网络数据上进行实验仿真,证明此算法能够更有效、更实时地发现有意义的社区结构,并具有较小的时间复杂性。

一种基于增量式谱聚类的动态社区自适应发现算法

针对当前复杂网络动态社区发现的热点问题,提出一种面向静态网络社区发现的链接相关线性谱聚类算法,并在此基础上提出一种基于增量式谱聚类的动态社区自适应发现算法.动态社区发现算法引入归一化图形拉普拉斯矩阵呈现复杂网络节点之间的关系,采用拉普拉斯本征映射将节点投影到k维欧式空间.为解决离群节点影响谱聚类的效果和启发式确定复杂网络社区数量的问题,利用提出的链接相关线性谱聚类算法发现初始时间片的社区结构,使发现社区的过程能够以较低的时间开销自适应地挖掘复杂网络社区结构.此后,对于后续相邻的时间片,提出的增量式谱聚类算法以前一时间片聚类获得的社区特征为基础,通过调整链接相关线性谱聚类算法实现对后一时间片的增量聚类,以达到自适应地发现复杂网络动态社区的目的.在多个数据集的实验表明,提出的链接相关线性谱聚类算法能够有效地检测出复杂网络中的社区结构以及基于增量式谱聚类的动态社区自适应发现算法能够有效地挖掘网络中动态社区的演化过程.

在线社会网络的动态社区发现及其演化

分析了目前动态社区发现及其演化所存在的问题,提出了一种新的动态社区演化方法.该方法利用静态社区挖掘算法提取不同时间快照的每个社区,然后计算出相邻快照的社区之间的演化影响力,进一步分析连续快照中社区结构的发展演化过程.在新浪微博、网络测量Gnutella等大规模实验数据集上的验证,证明了该方法的有效性.此外,实验中还分析了社会网络中节点的出现和消失的频繁程度会影响社区稳定性以及社区结构的演化.

城市静动态社区警务模式演进关系探析

在我国城市化进程中,将城市社区居民从纯粹的公安产品的消费者转变成公安产品生产的协作者并最终达成警民一体化的结果尤为迫切。同时,城市居民在诸如乘车、乘飞机、乘火车、游公园等的活动中作为流动人员也需要公共安全保障,这就同样需要来自静态社区的居民在上述空间中继续扮演公安产品协作者的角色,如此演化出一种新的动态社区警务模式。由静态社区警务模式到动态社区警务模式的演进能对公安绩效的提升产生巨大效用。

Gnutella网络上的动态社区结构分析

研究Gnutella网络中动态社区(Community)结构的演化问题.定义了有关社区和节点的关键事件.通过在实际Gnutella网络测量数据中检测关键事件的发生,发现网络中节点登陆和退出非常频繁.基于关键事件定义表征社区稳定性的指标,在Gnutella网络数据中的测量表明,节点频繁登陆和退出造成了网络上社区结构的不稳定.另一方面,定义了反映用户所属社区稳定性的指标,对Gnutella网络拓扑数据的测量结果显示,用户经常更换自己所属社区,同样归咎于节点的频繁变动.

基于聚类质量的半监督INMF动态社区检测算法

为实现复杂网络的快速分析,提出一种基于聚类质量的改进非负矩阵分解(INMF)算法,将其用于动态社区检测。从理论分析角度证明了演化谱聚类、INMF和模块密度优化之间的等价性,并基于该等价性,在不增加时间复杂度的前提下,通过在INMF中加入先验信息给出一种半监督INMF算法。在人工构造和真实世界的动态网络上的实验结果表明,与QCA、MIEN算法相比,该算法的社区检测质量和社区检测效率更优。

基于拓扑势的增量式动态社区发现方法

为保证动态社区发现效率,提高动态社区划分结果的准确性,提出一种基于拓扑势的增量式动态社区发现方法。增量式方法以前一个时间片网络的社区划分结果为基础,动态调整网络变化部分的社区归属,其余部分的社区结构仍保持不变。传统增量式方法只考虑增量节点,实际上,增量节点的邻居节点也会受到影响而出现社区归属的变化。该方法考虑增量节点,依据拓扑势场理论,进一步计算增量节点影响范围内的邻居节点,重新判定这些节点的社区归属。在真实和人工网络上的实验结果表明,该算法扩大了传统增量更新的范围,在保证计算效率的基础上,有效提高了社区划分结果的准确性。

动态社区下基于用户应用环境的开放描述

探讨了在点对点的协作模式下使用FOAF和XTM对用户的应用环境进行的描述,并以此支持动态聚合和组建动态社区。

一种基于介数和时效性的动态社区发现算法

为了发现动态变化的社区结构,在分析了动态社区划分算法的研究现状基础上,提出一种基于时效性和介数的动态社区发现算法,对历史信息的时效性进行了计算,建立了综合有权网络,基于局部边介数进行社区划分,发现了稳定社区结构。实验表明了算法的有效性。

一种基于局部模块度的增量式动态社区发现算法

为更好地适应大规模社会网络数据的应用要求,提出一种基于局部模块度的增量式动态社区发现算法。把对起始时间的社会网络执行静态社区发现获得的社区结构和局部模块度作为增量分析的基础,把局部模块度作为优化的条件,使用四种原子操作,逐步演化社区结构。使用社区结构的局部信息,提高了算法的运行效率。避免了设定参数的条件,提高了算法的适应性。实验结果表明,该算法具有一定的实际应用价值。

改进离散蜉蝣算法的多目标动态网络社区发现

动态网络社区发现能检测出随时间不断变化的社区结构,其研究具有重要意义。为了有效地解决动态网络社区发现问题,将蜉蝣算法引入社区发现,提出了一种多目标离散蜉蝣算法的动态网络社区发现方法(MODMA)。首先,在初始化阶段结合基于种群的标签传播算法和标签扩散算法对蜉蝣种群进行初始化,有利于提高初始解的互补性和多样性;其次,将蜉蝣个体更新策略进行离散化,进一步充分搜索全局空间;然后,提出改进的交叉操作并结合两种变异策略,加快种群的进化速度;最后,对最优解进行基于边界点的局部搜索,避免算法陷入局部最优,提高寻优搜索能力和收敛能力。在算法求解过程中,使用非支配排序和拥挤度距离排序机制保留优质解。大量基于合成网络和真实网络的实验结果表明,MODMA算法与对比算法相比具有更高的求解精度。

基于轨迹数据的多层网络动态社区提取与时空变化分析

相比于其余部分空间实体,动态社区本质上是彼此之间通过群体移动紧密连接的一系列地理实体的集合,具有生命周期特征。然而目前对于动态社区的时空变化分析仍缺少系统的研究方法。对此,本文首先基于群体出行,对时空交互复杂系统进行网络建模;第二,提取网络中的动态社区,其本质上是由于城市功能活动场所和社会资源分布不均匀、群体出行行为的规律性和多样性导致的动态人地交互而产生的动态城市空间组织;第三,融合景观生态学理论,构建动态社区时空变化模型,分析社区时空变化聚类模式,形成社区提取—动态变化—聚类分析方法框架;最后,以武汉市三环内区域为例应用该方法框架。结果表明:①基于群体出行活动提取的社区与武汉市现有行政区划具有相似性与差异性,其更能反映以人为中心的城市动态空间组织;②社区表现出明显的“形成—扩张—稳定—收缩—消亡”的生命周期规律;③不同社区时空变化规律具有差异性,通过聚类,其可以被分为短时社区、中时社区与长时社区,且每类社区具有稳定、鞍形、波动等一种或多种形态模式特征,对于城市动态规划管理具有重要意义。本文突破了传统静态社区分析方法的局限性,有助于推动网络动态特征的探索,加深对动态人地交互规律的理解。