多目標優(yōu)化算法在復雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)中具有很強的競爭力,然而,在處理社區(qū)結(jié)構(gòu)較為模糊、網(wǎng)絡(luò)數(shù)據(jù)規(guī)模大的問題時難以得到滿意的效果。為克服現(xiàn)有多目標方法的不足,提出一種基于譜聚類的多目標復雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法。該算法先用譜聚類對編碼后的復雜網(wǎng)絡(luò)進行初始種群劃分,利用子圖聚類特性生成高質(zhì)量的初始種群。采用一種網(wǎng)格約簡的數(shù)據(jù)歸減方法在進化過程中對種群進行約減,有效降低算法復雜度,以滿足大規(guī)模網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)需求。在仿真網(wǎng)絡(luò)和9個真實網(wǎng)絡(luò)上的實驗結(jié)果表明,該算法在社區(qū)發(fā)現(xiàn)精度性能和計算復雜度方面,都要優(yōu)于MRMOEA,RMOEA,MCMOEA 3種代表性的基于多目標的社區(qū)發(fā)現(xiàn)算法。 

【文章來源】：計算機科學. 2020,47(S1)北大核心CSCD

【文章頁數(shù)】：6 頁

【文章目錄】：
1 引言
2 相關(guān)工作
    2.1 多目標社區(qū)發(fā)現(xiàn)問題
    2.2 多目標進化算法的簡介
    2.3 譜聚類算法描述
3 基于譜聚類的多目標社區(qū)發(fā)現(xiàn)算法
    3.1 基于譜聚類的初始種群劃分
    3.2 數(shù)據(jù)歸減策略
    3.3 SMOEA算法的整體流程
    3.4 SMOEA時間復雜度分析
4 實驗結(jié)果和分析
    4.1 評價指標
    4.2 人工網(wǎng)絡(luò)上的實驗分析與比對
    4.3 真實網(wǎng)絡(luò)上的實驗分析與比對


【參考文獻】：
期刊論文
[1]復雜網(wǎng)絡(luò)聚類方法[J]. 楊博,劉大有,金弟,馬海賓.  軟件學報. 2009(01)



本文編號：3196171