基于单目标PSO的社区检测算法

在将复杂网络的社区结构检测问题建模为单目标优化问题时,采用粒子群算法进行优化。传统粒子群算法用来解决连续优化问题,而社区结构检测问题则是一种基于图的离散优化问题。应用了新的编码策略和粒子更新策略解决这一问题,在更新策略中引入了基于近邻更新的方式,保证了在一定程度上遵循邻域信息引导粒子更新,以符合真实复杂网络的特性。另外,采用拓展的模块度密度函数进行优化,以解决传统模块度密度函数的分辨率限制问题,保证能在不同分辨率发现复杂网络的社区结构。实验结果证明,本算法是有效的,能够检测出不同分辨率下的社区结构。

一种基于非支配排序遗传算法的社区发现算法

在将复杂网络的社区发现问题建模为多目标优化问题时,采用带精英策略的非支配排序遗传算法(NSGA-II)的方法来寻找问题最优解。该算法解决了拓展后的模块度密度问题中的分辨率限制参数调整问题,以及优化模块度密度函数的分辨率限制问题,使得算法运行一次可得到一组不同的划分结果,以便决策者根据需要进行选择。另外,遗传算法的交叉和变异算子加入了网络顶点的邻域信息,符合真实网络的特性,且基于图的编码方式保证了社区数目的自适应性。实验结果证明,采用基于非支配排序遗传算法的社区发现算法能有效的发现出社区结构。