[发明专利]一种非重叠网络和重叠网络中社团结构检测方法

权利要求书

1.一种非重叠网络和重叠网络中社团结构检测方法，其特征在于，具体步骤如下：

非重叠网络中社团结构检测方式为：

Step1对种群个体进行编码并构建初始种群；

Step2采用隶属度矩阵编码获得种群个体对应的模糊社团划分；

Step3是否得到最优模糊社团划分：如果是，则输出当前种群中最优模糊社团划分作为检测结果，否则转至Step4；

Step4对父代种群执行变异操作、交叉操作、选择操作进化生成子代种群，进化过程保留父代个体中优质的社团划分基因；

Step5对子代种群个体进行适应度值评价并对模糊社团划分进行模糊模块度计算；

Step6判断目标函数个数m是否大于1，即是否为多目标优化；若为单目标优化，则直接根据子代种群个体的模糊模块度函数Q进行精英选择，保留优质个体进入下一代父代种群，转至Step3；若为多目标优化，则首先计算子代种群个体的其他目标函数值，并对合并之后的父代子代种群集合进行Pareto非支配排序及个体密度估计，然后根据个体精确性和分布性结果进行环境选择，保留同等规模的Pareto最优个体进入下一代父代种群，转至Step3；

重叠网络中社团结构检测方式为：

S1.种群初始化:

S1.1设置网络参数：节点数量为n，社团数量为k，节点的度分布列表为m，连边矩阵为adj；种群规模为NP，clean-up的比例因子为cleanup，当前种群代数为t，种群总代数为gen；

S1.2利用随机数构建初始种群，并对初始种群进行归一化处理；

S2.根据广义重叠模块度函数Q_g计算种群中每个个体的适应度值，作为历史最优解pmax_value，种群pop作为最优种群pmax_pop；

S3.对种群进行纠偏操作，计算此时的个体适应度，并更新历史最优解pmax_value和最优种群pmax_pop；

S4.当前种群代数t小于种群总代数gen时：

S5.当前种群代数t大于等于种群总代数gen时，输出广义重叠模块度函数，重叠模块度函数，网络模块度的历史记录。

2.根据权利要求1所述一种非重叠网络和重叠网络中社团结构检测方法，其特征在于，非重叠网络中社团结构检测，其对应带约束条件的节点隶属度组合优化问题数学模型如下公式所示：

数学模型：y＝F(x)＝(f₁(x),f₂(x)...f_m(x))

U∈R^n×c

约束条件：

式中y＝F(x)代表着由决策空间到m维目标空间的映射函数，包含m个模糊社团划分质量评价函数；当m＝1时为单目标优化问题，目标函数即为模糊模块度函数Q；当m>1时转化为多目标优化问题，目标函数为包含Q在内的函数集合，衡量社团划分在多项评价标准上的性能优劣；U＝{u_ik}∈R^n×c为节点隶属度分布矩阵，u_ik代表节点i对于第k个社团的隶属度，其中i∈[1,n]，k∈[1,c]，并且满足约束条件；为隶属度分布U的映射，代表U对应的模糊社团划分。