[发明专利]一种复杂网络社区检测的方法

说明书

本发明公开了一种复杂网络社区检测的方法，为提高差分进化算法的全局收敛性能，重新设计了三个主要的进化操作，包括基于分类的自适应变异策略、动态自适应参数调整策略和基于历史信息的选择操作。另一方面，为更好地利用网络拓扑信息，提出了一种改进的基于邻域信息的社区调整策略，以保证在减少DE搜索空间的同时为全局最优社区划分提供足够的搜索空间。最后，提出新的基于差分进化算法的模块度优化算法CDEMO。

技术领域

本发明涉及一种社区检测方法，具体说是一种复杂网络社区检测的方法。

背景技术

过去几年中已有许多社区检测方法相继提出，其中应用最广泛的是基于模块度的最优化方法。然而，模块度最优化本质上是一个典型的NP难问题，传统的确定性优化算法，如数学规划法、贪心算法、谱分析法及极值优化算法等，通常会有早熟收敛或收敛停滞现象。此外，随着真实世界网络规模和结构模糊性的增强，最优化过程中的极值退化问题变得更加严重，这就意味着在以指数增长的众多局部最优解中，找到全局最优社区划分变得更加困难，因此使检测所得社区结构的准确性和稳定性受到严重影响。

近年来随机优化算法，尤其是进化算法(EvolutionaryAlgorithms,EAs)，已被成功应用于模块度优化问题，如遗传算法(GeneticAlgorithm,GA)、粒子群优化算法(ParticleSwarmOptimization,PSO)、Memetic算法、蚁群优化算法、克隆选择和差分进化算法(DifferentialEvolution,DE)等。值得关注的是，基于EA的模块度优化方法由于具有强大的全局最优化能力，在多种检测问题上表现出显著优越性。此外，考虑到真实世界网络中的先验信息的获取较为困难，该类算法不需要任何先验信息(如社区数目)和特定数学模型。然而，尽管基于EA的模块度优化方法在多种网络社区检测问题上取得了令人满意的结果，但早熟收敛和极值退化的问题并没有得到充分的解决。

为了克服上述问题并提高最优社区划分质量，应进一步提高基于EA的模块度优化算法的收敛性能。前期实验结果表明，基于EA的模块度优化算法的收敛性能主要取决于两个关键因素，首要因素也是最重要的因素是如何提高EA本身的全局收敛能力，另一因素是如何有效利用网络拓扑信息减少模块度优化过程中巨大的搜索空间。然而据我们所知，现有算法中通常将基本EAs直接作为优化策略而忽略其收敛能力，从而导致EAs的早熟收敛，获得的最优社区划分质量也较差。与此同时，尽管现有部分算法对EAs中的进化操作进行了改进，通过融合网络拓扑信息满足社区检测需求，但拓扑信息的不恰当使用破坏了全局最优社区划分的搜索空间。

发明内容

针对现有技术的不足，本发明提出了一种复杂网络社区检测的方法，一方面，为了提高差分进化算法的全局收敛性能，重新设计了三个主要的进化操作，包括基于分类的自适应变异策略、动态自适应参数调整策略和基于历史信息的选择操作。另一方面，为更好地利用网络拓扑信息，提出了一种改进的基于邻域信息的社区调整策略，以保证在减少DE搜索空间的同时为全局最优社区划分提供足够的搜索空间。最后，提出新的基于DE的模块度优化算法CDEMO。

为实现上述目的，本发明提供了一种复杂网络社区检测的方法，具体包括：提高差分进化算法的全局收敛性能的步骤；利用改进的基于邻域信息进行社区修正的步骤；基于分类差分进化算法的模块度优化方法。

进一步的，提高DE算法的全局收敛性能的步骤，具体包括：

(一)分类自适应差分类变异策略；

(二)动态自适应参数调整；

(三)基于历史信息的进行差分选择操作。

进一步的，分类自适应差分类变异策略，具体操作如下：