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
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
收藏
页码:451 / 464
页数:14
相关论文
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