[发明专利]一种符号网络弱不平衡度的评价方法及系统

说明书

本发明公开了符号网络弱不平衡度的评价方法及系统，该方法包括根据邻接矩阵采用轮盘赌算法生成个体压缩表示；根据个体压缩表示及种群规模随机生成popSize个个体，得到初始种群；对所述初始种群初始化得到父代种群；更新父代种群maxGen次，将循环第maxGen次时得到的子代种群确定为优化种群；更新父代种群具体包括对父代种群依次进行选择操作、交叉操作、变异操作、轮换操作及局部搜索；根据适应值函数计算所述优化种群中全部个体的适应值，将所述优化种群中适应值最大的个体确定为所述符号网络的弱不平衡度。本发明通过根据个体压缩表示生成初始种群，有效地降低了基因型网络空间的规模，提高了使用本发明方法计算符号网络弱不平衡度时的准确性及效率。

技术领域

本发明涉及大型符号网络技术领域，尤其涉及一种符号网络弱不平衡度的评价方法及系统。

背景技术

符号网络以正边表示正面关系，负边表示敌对、厌恶、背弃、差评、抑制等负面的关系，符号网络深入细致地刻画了事物之间的联系。Leskovec等人通过实验表明在大量实际的符号网络中弱结构平衡比结构平衡更为常见，因此，求弱不平衡度比求不平衡度更为实用，也更为重要。然而简单地将求解结构不平衡度的方法推广到求解弱结构不平衡度通常是不可行的。Doreian和Mrvar提出了块模型方法来求解一个符号网络的弱不平衡度，并将其算法嵌入到了著名网络分析软件Pajek中。由于求解弱结构不平衡问题属于NP难问题，同时也由于块模型方法是基于矩阵表示和置换操作的，本身具有较高的时间复杂度，因此Doreian和Mrvar给出的方法在计算大型符号网络弱不平衡度时效率低。

发明内容

本发明的目的是提供一种符号网络弱不平衡度的评价方法及系统，以解决现有技术中对大型符号网络弱不平衡度进行评价时效率低的问题。

为实现上述目的，本发明提供了如下方案：

一种符号网络弱不平衡度的评价方法，包括：

获取符号网络G(V,E,σ)的邻接矩阵A＝(a_ij)_n×n；其中，节点集V＝{v₁,v₂…,v_X}，n为符号网络的节点数，n为大于1的正整数；类别集C＝{0,…，k-1}，类别集中包括全部节点的类别值，k-1为正整数；边集符号属性集σ＝{+，-}；a_ij∈{-1,0,1}，a_ij＝1表示节点v_i和v_j以正边相连，a_ij＝-1表示节点v_i和v_j以负边相连，a_ij＝0表示节点v_i和v_j没有边相连；

根据所述邻接矩阵采用轮盘赌算法生成个体压缩表示；所述个体压缩表示包括多个节点的类别值，所述个体压缩表示的节点数小于X；

获取种群规模popSize和迭代次数预设值max Gen；其中，popSize为大于1的正整数，locK为正整数，max Gen为大于1的正整数；

根据所述个体压缩表示及所述种群规模随机生成popSize个个体，得到初始种群；一个所述个体中包括多个节点的类别值；

对所述初始种群初始化，得到父代种群；

对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群，并将迭代次数的值加1；所述迭代次数的初始值为零；

判断迭代次数的值是否等于迭代次数预设值max Gen；

如果是，将所述子代种群确定为优化种群；否则，将所述子代种群作为更新后的父代种群返回步骤“对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作”；