一种最优锚节点集合上的两重粒子群优化DV-Hop定位算法

当前粒子群优化的DV-Hop定位改进算法,网络中所有的锚节点都参与优化,但是一部分到未知节点估算距离误差较大的锚节点会引入大的定位误差。针对这种情况,首先提出了最优锚节点集合的概念;然后在定位过程中,应用离散粒子群算法构造了最优锚节点集合;最后在最优锚节点集合上应用连续粒子群算法对定位结果进行了优化。仿真实验表明,最优锚节点集合上的两重粒子群优化DV-Hop算法比DV-Hop和一次粒子群优化的DV-Hop明显提高了定位精度。

一种基于点的多社区谱分解方法

针对传统的谱分解存在网络平分或者递归平分问题,本文提出一种基于点的改进的分步骤的复杂网络谱分解的多社区算法(NSDA)。该算法首先对复杂网络中度为1、2的结点和局部具有特殊聚集结构的结点进行预处理,让其和相应的点集构成子社区;接着,利用基于点的谱分解的次小、第三小、第四小的特征值对应的特征向量进行多社区的发现,得到隐含社区的核心点集;最后,以核心点集为中心,利用广度优先算法,依据点或子社区的局部最佳特征,确定相应的社区成员,从而构造出多个社区。实验表明,该算法通过分步预处理,加快了社区划分速度,减少了干扰结点,提高了谱分解的合理性。

改进蚁群算法优化重叠社区发现方法

为更好地挖掘社区结构,提出一种改进蚁群算法优化重叠社区发现算法(LEAC-OCD)。采用局部扩展的社区识别方法,将少数核心节点构成三角形模体,判断和量化社区结构的稳定性,实现粗糙划分社区结构;根据蚁群算法在转移机制的启发下自由移动,改变重叠节点的位置归属;通过社区量化稳定性的阈值,得到高质量的重叠社区结构。实验结果表明,LEAC-OCD算法在检测重叠社区结构方面优于其它经典算法。

局部扩展的遗传优化重叠社区发现方法

提出了一种局部扩展的遗传优化重叠社区发现(LEGAOCD)方法。借鉴局部扩展的重叠社区发现方法的思想,首先将少数的核心节点构成模体;同时,利用三角形模体来判断社区的稳定性度量问题,从而量化社区结构稳定性;然后通过改进的遗传优化算法策略分配它们应归属的社区;最后通过两个评价目标函数得到高质量的重叠社区结构。该算法在数据集上与经典的CPM、COPRA作比较,实验结果表明,LEGAOCD方法在检测重叠社区结构和重叠节点方面具有较优的性能。