隨著互聯(lián)網(wǎng)的發(fā)展,復(fù)雜網(wǎng)絡(luò)的聚類問題已成為學(xué)者們的研究熱點(diǎn)之一。對復(fù)雜網(wǎng)絡(luò)的聚類有助于發(fā)現(xiàn)網(wǎng)絡(luò)內(nèi)部不同類別所包含的節(jié)點(diǎn)和連邊的緊密性,進(jìn)而挖掘這類節(jié)點(diǎn)的特征相似性;不同類別間的節(jié)點(diǎn)具有差異性,并基于差異性挖掘顯著性特征。本文對多目標(biāo)進(jìn)化算法進(jìn)行改進(jìn),由此衍生出兩種基于多目標(biāo)進(jìn)化框架的改進(jìn)算法,并分別將其應(yīng)用于復(fù)雜網(wǎng)絡(luò)與真實(shí)人工數(shù)據(jù)集。為了準(zhǔn)確地發(fā)現(xiàn)復(fù)雜社區(qū)結(jié)構(gòu),提出一種改進(jìn)的多目標(biāo)進(jìn)化的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測算法,通過在某一范圍內(nèi)等間距產(chǎn)生多個(gè)p參數(shù)（偏向參數(shù)）,再將其代入近鄰傳播（Affinity Propagation,AP）聚類算法。通過半監(jiān)督聚類方式確定聚類個(gè)數(shù)以及產(chǎn)生初始種群,克服傳統(tǒng)通過隨機(jī)方式產(chǎn)生的初始解聚類效果不穩(wěn)定的缺點(diǎn)。采用模擬退火（Simulated Annealing,SA）算法對多目標(biāo)進(jìn)化算法進(jìn)行改進(jìn)以提高種群搜索能力,防止尋優(yōu)過程陷入局部最優(yōu)解。與多目標(biāo)進(jìn)化算法以及基于AP聚類算法的多目標(biāo)算法的實(shí)驗(yàn)結(jié)果對比,本文改進(jìn)的多目標(biāo)進(jìn)化算法在總體上效果較好。因此,可以采用本文的算法對復(fù)雜網(wǎng)絡(luò)社區(qū)進(jìn)行更加精確的檢測。為了準(zhǔn)確地對真實(shí)數(shù)據(jù)集進(jìn)行聚類,提出一種改進(jìn)的多目標(biāo)進(jìn)化的... 

【文章來源】：天津工業(yè)大學(xué)天津市

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

FCM算法的總體流程圖


本文編號：3498248