[发明专利]基于免疫克隆多目标优化的网络社区划分方法

说明书

技术领域

本发明属于计算机领域，涉及实际网络社区划分方法，更进一步涉及小世界网络技术领域中的网络社区划分，可用于进行网络中社区的划分。

背景技术

在我们生活中,几乎处处都有网络结构的存在，并且大多数的复杂系统都是以网络的形式呈现出来，比如新陈代谢网、因特网、电子邮件网以及亲戚朋友网等。这些网络都有一个共同的特点就是它们都是节点和边的集合，从而形成了我们熟知的网络拓扑结构。与此同时随着网络的不断普及和应用服务要求的不断提高，复杂网络的研究已经吸引了无数来自世界各地的爱好者，已成为多学科交叉研究的热点。

而目前，复杂网络的一个重要特性—社区划分更掀起了研究热潮，受到国内外的高度重视。其中社区通常是一组彼此相似并且与网络中的其他节点存在差异的节点的集合，社区内联系紧密，而社区之间的联系则相对稀疏。通过社区就可以把一个复杂的网络进行聚类划分，从而将一个复杂的大规模网络进行分解，以相对容易的找出复杂网络的结构和一些特性。

对网络中社区的划分是复杂网络中面临的主要问题之一，目前人们已经提出了很多方法来对网络进行社区的划分，其中研究热点之一为基于单目标遗传算法的网络社区划分方法。

基于单目标遗传算法的网络社区划分方法主要步骤为：将解空间中的向量用编码的方式表示为遗传空间中的基因串；随机生成种群作为算法迭代的初始种群；计算种群中个体的适应度函数值，该值反映了种群中个体的适应能力，通过目标值的大小来评价种群中个体的优劣；对种群中的个体进行选择、交叉和变异，具体过程是：首先从种群中选择优良的个体作为遗传父代，其次对选择出的个体进行交叉操作和变异操作，从而增加个体的多样性并且加速算法的收敛，使得到的个体性能更优。然而，基于单目标遗传算法的网络社区结构划分方法存在的不足之处有：1、遗传算法对新空间的探索能力是有限的，也容易收敛到局部最优解，即早熟，这也是遗传算法的最大的缺点；2、因为遗传算法属于随机类算法，需要多次运算，结果的可靠性差，不能稳定的得到解。3、由于目标个数只有一个，一次运行只能得到1个全局或局部最优解。以上三点会导致该方法在求解社区划分问题时，容易造成搜索能力低下、划分结果不稳定和划分准确率低的问题。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于免疫克隆多目标优化的网络社区划分方法，以提高对社区的搜索能力和划分稳定性，及划分结果的准确率。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)读入一幅实际网络图，并生成网络图对应的邻接矩阵A_ij；

(2)初始化：将运行次数it初始值设为0,最大运行次数G设为50，社区类别数x设为2，抗体群规模N(it)设为450，随机产生的抗体群Al(it)表示为：

Al(it)={al₁(it),al₂(it),…,al_I(it)…,al_N(it)(it)}，

其中I=1,…,N(it)，al_I(it)表示第I个抗体，N(it)表示抗体群规模，it表示当前运行次数；

(3)更新运行次数it，进行第it次运行：根据网络图的邻接矩阵A_ij和抗体群Al(it)，计算目标值矩阵Q(Al(it))：

Q(Al(it))=([Q₁(Al(it))],[Q₂(Al(it))])，

其中，Q₁(Al(it))为第1个目标的目标值，Q₂(Al(it))为第2个目标的目标值，Al(it)为抗体群，it为当前代数。

(4)根据计算出的目标值矩阵，将抗体群中的抗体划分为支配抗体群和非支配抗体群，其中非支配抗体群A(it)表示如下：

A(it)={a₁(it),…,a_p(it),…,a_n(it)}，

其中p=1,…,n，a_p(it)表示第p个非支配抗体，n表示非支配抗体个数，it表示当前代数；

(5)对非支配抗体群A(it)执行克隆操作，克隆后的抗体群A′(it)表示为：