复杂网络簇结构探测——基于随机游走的蚁群算法

被引：45

作者：

金弟 ^{[1
,2
]}

杨博 ^{[1
,2
]}

刘杰 ^{[1
,2
]}

刘大有 ^{[1
,2
]}

何东晓 ^{[1
,2
]}

机构：

[1] 吉林大学计算机科学与技术学院

[2] 吉林大学符号计算与知识工程教育部重点实验室

来源：

软件学报 | 2012年 / 23卷 / 03期

关键词：

复杂网络; 网络聚类; 簇结构; 随机游走; 集成学习; 蚁群算法;

D O I：

暂无

中图分类号：

TP301.6 [算法理论]; O157.5 [图论];

学科分类号：

摘要：

网络簇结构是复杂网络最普遍和最重要的拓扑属性之一,网络聚类问题就是要找出给定网络中的所有类簇.有很多实际应用问题可被建模成网络聚类问题.尽管目前已有许多网络聚类方法被提出,但如何进一步提高聚类精度,特别是在没有先验知识(如网络簇个数)的情况下如何发现合理的网络簇结构,仍是一个未能很好解决的难题.针对该问题,在马尔可夫随机游走思想的启发下,从仿生角度出发提出一种全新的网络聚类算法——基于随机游走的蚁群算法RWACO.该算法将蚁群算法的框架作为RWACO的基本框架,对于每一代,以马尔可夫随机游走模型作为启发式规则;基于集成学习思想,将蚂蚁的局部解融合为全局解,并用其更新信息素矩阵.通过"强化簇内连接,弱化簇间连接"这一进化策略,使网络簇结构逐渐地呈现出来.实验结果表明,对一些典型的计算机生成网络和真实网络,该算法能够较准确地探测出网络的真实类簇数,与一些有代表性的算法相比,具有较高的聚类精度.

引用

页码：451 / 464

页数：14

共 6 条

[1] 复杂网络聚类方法 [J].

杨博 ;

刘大有 ;

金弟 ;

马海宾 .

软件学报, 2009, 20 (01) :54-66

[2]

Community detection in graphs[J] . Santo Fortunato.Physics Reports . 2009 (3)

[3]

Fast unfolding of communities in large networks[J] . Vincent D Blondel,Jean-Loup Guillaume,Renaud Lambiotte,Etienne Lefebvre.Journal of Statistical Mechanics: Theory and Experiment . 2008 (10)

[4]

The emergent properties of a dolphin social network[J] . Lusseau David.Proceedings of the Royal Society B: Biological Sciences . 2003

[5]

An Information Flow Model for Conflict and Fission in Small Groups[J] . Wayne W. Zachary.Journal of Anthropological Research . 1977 (4)

[6]

Graph Clustering by Flow Simulation .2 van Dongen S. University of Utrecht . 2000

← 1 →