一种基于核心节点跳转的局部社区发现算法

针对现有算法受给定节点位置的限制而影响社区发现的稳定性和准确性问题,提出一种基于核心节点跳转的局部社区发现算法,避免从给定节点直接聚类,而是先搜寻给定节点附近的核心节点,并围绕核心节点向外扩张,根据节点适应度聚类邻接节点以构建核心节点子团;并根据子团相似度进行合并,从而得到给定节点所属的局部社区结构.在计算机生成网络和真实网络上的实验和分析证明,该算法能够有效地提升局部社区发现稳定性,并改善局部社区划分的准确性.

一种通过节点序寻优进行贝叶斯网络结构学习的算法

针对K2算法过度依赖节点序,遗传算法节点序寻优效率差的问题,该文提出一种直接对节点序进行评分搜索的贝叶斯结构学习算法。该算法以K2算法为基础,首先通过计算支撑树权重矩阵,构建能够定量评价节点序的适应度函数。然后通过提出混合交叉策略和孤立节点处理机制,同时利用动态学习因子和倒置变异策略,提升遗传算法节点序寻优的性能。最后将得到的节点序作为K2算法的先验知识得到最优贝叶斯网络结构。仿真结果表明,该方法解决了K2算法依赖先验知识的问题,相比于其它优化算法,评分值平均增加了13.11%。

基于预期流优化的集装箱班轮网络引力模型

为探究集装箱班轮网络形成机理,首先分析集装箱班轮特点,发现节点间预期流是影响航线开设的关键因素;其次改进经典引力模型,对节点间预期流进行预测,按预期流由大到小顺序连边,构建集装箱班轮网络引力模型;最后对东亚区域班轮网络进行实证研究,计算港口节点适应度,构建仿真网络并分析其拓扑特性演化情况。演化结果表明,随着连边的加入,仿真网络的连通性增强,各项拓扑特性都不断趋近于实际网络。由此,模型的有效性得到验证。

基于改进BA网络的遗传算法

遗传算法是基于生物进化论设计的一种自然启发式算法,在众多领域都有广泛应用。目前对于遗传算法的研究主要集中于:遗传算法的理论研究、遗传算法的改进及应用。复杂网络是研究由众多个体组成的集体行为和个体间关系的有力模型。为了改进遗传算法性能,在已有的复杂网络与遗传算法相结合的成果基础上,提出了一种基于改进BA网络的遗传算法,实现了对网络结构进一步的改进,并改进了传统遗传算法的选择策略以及为了应对网络中节点的递增采用的种群规模自适应策略,通过数值实验验证了改进算法的性能,结果表明改进算法对于不同类型的函数的寻优能力要优于基本遗传算法以及基于普通BA网络的遗传算法。研究结果对于遗传算法的改进具有一定指导作用。