基于深度強化學習的復雜網絡關鍵節(jié)點識別
發(fā)布時間：2020-12-08 21:09
復雜網絡理論廣泛應用于商務智能領域,關鍵節(jié)點識別是復雜網絡理論研究的核心技術,受到了學術界的高度關注。眾多學者針對復雜網絡的關鍵節(jié)點識別或節(jié)點重要性排序等學術問題進行了深入研究,取得了大量研究成果。但隨著人工智能和大數據技術在商務領域深入應用,復雜網絡的規(guī)模呈指數級增長。傳統(tǒng)的關鍵節(jié)點識別方法的準確性和實時性已無法滿足現實需求。本文主要研究工作如下:（1）首先在圖論的基礎上分析了規(guī)則網絡、隨機網絡、小世界網絡、無標度網絡等現有經典的復雜網絡演化模型,了解各種模型的統(tǒng)計特性為關鍵節(jié)點的定義與識別奠定基礎。（2）研究了傳統(tǒng)經典和最新出現的復雜網絡的關鍵節(jié)點識別算法。傳統(tǒng)經典算法包括度中心性、介數中心性、K-核分解和PageRank算法等,新出現的主要有對于經典算法的改進算法、綜合性方法等�；趶碗s網絡的可靠性與網絡的拓撲結構等靜態(tài)指標將關鍵節(jié)點識別的重要性評價方法分為基于傳播動力學方法和基于網絡魯棒性方法。（3）基于復雜網絡的可靠性與網絡的拓撲結構等靜態(tài)指標構建復雜網絡的關鍵節(jié)點識別算法的評價模型。在對深度強化學習與復雜網絡研究應用現狀分析的基礎上,對深度Q網絡與關鍵節(jié)點識別的結合方案進行...
【文章來源】：安徽財經大學安徽省
【文章頁數】：75 頁
【學位級別】：碩士
【部分圖文】：
技術路線圖
基于深度強化學習的復雜網絡關鍵節(jié)點識別12圖2-1四種類型的網絡鄰接矩陣是網絡的重要表示方法，在很多研究中被廣泛使用。網絡G可用一個N階的鄰居矩陣組成，表示為()ijNNAa，其中元素ija表示節(jié)點iv與節(jié)點jv的連接關系：若=0ija，表示節(jié)點iv與節(jié)點jv之間沒有直接相連的邊；若=1ija，表示處于無權網絡中，節(jié)點iv與節(jié)點jv之間有邊直接相連；若ijijaw，表示處于加權網絡中，節(jié)點iv與節(jié)點jv之間不僅有邊直接相連，其連接強度由權值大小決定�？梢钥闯�，無權網絡的鄰接矩陣元素只能為0或1，加權網絡連邊具有權重導致鄰接矩陣的非0元素等于各邊權重值。另外，無向網絡的鄰接矩陣是對稱陣，=ijjiaa，有向網絡的連邊具有方向性導致鄰接矩陣不對稱。第二節(jié)復雜網絡的統(tǒng)計特性和基本模型復雜網絡中存在著各種各樣的規(guī)律和特征，對網絡隱藏信息的挖掘是廣大學者的追求和目標。與網絡的四種類型的簡單描述不同，隨著網絡規(guī)模和復雜性的進一步提升，需要使用統(tǒng)計學方法對復雜網絡的特性進行描述，不同的拓撲特性使得網絡系統(tǒng)的功能性質不盡相同。在對復雜網絡問題的不斷研究探索中，提出了各種復雜網絡模型，演化模型的不斷變化也是對復雜網絡深刻認識的過程。下面對統(tǒng)計特性和基本模型的相關內容進行簡述。一、復雜網絡的統(tǒng)計特性（一）度與度分布節(jié)點的度是最簡單的統(tǒng)計指標，可以用ik表示節(jié)點iv的度值，計算方式為鄰居節(jié)點的數量或者說直接與節(jié)點iv相連的連邊數量。由于有向網絡的連邊具有方向性，故可將節(jié)點的度分為入度和出度，分別用下列兩公式表示：
基于深度強化學習的復雜網絡關鍵節(jié)點識別15度和聚類系數之間相關性等特征被相繼提出。對網絡統(tǒng)計特性的學習和理解是復雜網絡研究的必要一步，研究關鍵節(jié)點識別方法也需要這些理論作為基矗二、復雜網絡的基本演化模型在使用復雜網絡對現實中復雜系統(tǒng)的認知研究中，學術界提出了多種多樣的復雜網絡模型，網絡的拓撲結構與功能性質相互作用，通過模型能夠有效地對網絡的結構特征進行深刻理解，才能更好地使用復雜網絡理論達到決策優(yōu)化、效能提升等現實目的。復雜網絡模型的研究是一個跨度很長的過程，大致可歸納為從規(guī)則網絡、隨機網絡、小世界網絡和無標度網絡這樣的模型發(fā)展歷程，學術界至今依然在對此問題進行研究，相繼提出各種各樣的網絡模型對真實網絡進行表征。下面對這四種基本演化模型進行介紹。（一）規(guī)則網絡規(guī)則網絡模型是學術界最早提出的模型之一，它的構造相對簡單，即各節(jié)點按照某一固定規(guī)則進行連接，這種形式構成的網絡中任意節(jié)點擁有相同的連接度。常見的規(guī)則網絡有三種：星形耦合網絡（Starcouplednetwork）、最近鄰耦合網絡（Nearest-neighborcouplednetwork）和全局耦合網絡（Globallycouplednetwork），具體拓撲結構見圖2-1。(a)星型耦合網絡(b)最近鄰耦合網絡(c)全局耦合網絡圖2-2三種規(guī)則網絡（二）隨機網絡規(guī)則網絡模型過于理想化，各個節(jié)點的統(tǒng)計特性相同顯然是不符合客觀規(guī)律的，隨后Erds和Réyni[62]提出了ER隨機圖模型，標志著隨機網絡模型的誕生。該網絡中任意兩點以某一概率進行連接，這是隨機網絡最大的特點。例如隨機網絡中有N個節(jié)點，節(jié)點之間的連接概率為p，則節(jié)點的度分布服從二項分布(N1,p)，如下所示。(1)1()(1)kVkVpkppk（2.9）
【參考文獻】：
期刊論文
[1]一種權重平均值的深度雙Q網絡方法[J]. 吳金金,劉全,陳松,閆巖. 計算機研究與發(fā)展. 2020(03)
[2]基于深度Q網絡的虛擬裝配路徑規(guī)劃[J]. 李妍,甄成剛. 計算機工程與設計. 2019(07)
[3]復雜網絡與機器學習融合的研究進展[J]. 李澤荃,楊曌,劉嶸,李靖. 計算機應用與軟件. 2019(04)
[4]一個具有雙線性發(fā)生率的隨機SIR傳染病模型的動力學性質[J]. 李明山,張渝曼,劉秀敏,黃鑫,周效良. 四川師范大學學報(自然科學版). 2019(02)
[5]基于排序優(yōu)先經驗回放的競爭深度Q網絡學習[J]. 周瑤瑤,李燁. 計算機應用研究. 2020(02)
[6]一類SIR傳染病模型的分岔分析[J]. 李明山,張渝曼,周效良. 四川師范大學學報(自然科學版). 2018(06)
[7]基于深度Q網絡學習的機器人端到端控制方法[J]. 張浩杰,蘇治寶,蘇波. 儀器儀表學報. 2018(10)
[8]一種深度Q網絡的改進算法[J]. 夏宗濤,秦進. 計算機應用研究. 2019(12)
[9]一種最大置信上界經驗采樣的深度Q網絡方法[J]. 朱斐,吳文,劉全,伏玉琛. 計算機研究與發(fā)展. 2018(08)
[10]基于復雜網絡動力學模型的無向加權網絡節(jié)點重要性評估[J]. 孔江濤,黃健,龔建興,李爾玉. 物理學報. 2018(09)
碩士論文
[1]基于復雜網絡理論的無線傳感器網絡關鍵節(jié)點識別技術研究[D]. 彭一.西南大學 2015
[2]復雜網絡關鍵節(jié)點識別技術研究[D]. 楊汀依.南京理工大學 2011
本文編號：2905690
【文章來源】：安徽財經大學安徽省
【文章頁數】：75 頁
【學位級別】：碩士
【部分圖文】：
技術路線圖
基于深度強化學習的復雜網絡關鍵節(jié)點識別12圖2-1四種類型的網絡鄰接矩陣是網絡的重要表示方法，在很多研究中被廣泛使用。網絡G可用一個N階的鄰居矩陣組成，表示為()ijNNAa，其中元素ija表示節(jié)點iv與節(jié)點jv的連接關系：若=0ija，表示節(jié)點iv與節(jié)點jv之間沒有直接相連的邊；若=1ija，表示處于無權網絡中，節(jié)點iv與節(jié)點jv之間有邊直接相連；若ijijaw，表示處于加權網絡中，節(jié)點iv與節(jié)點jv之間不僅有邊直接相連，其連接強度由權值大小決定�？梢钥闯�，無權網絡的鄰接矩陣元素只能為0或1，加權網絡連邊具有權重導致鄰接矩陣的非0元素等于各邊權重值。另外，無向網絡的鄰接矩陣是對稱陣，=ijjiaa，有向網絡的連邊具有方向性導致鄰接矩陣不對稱。第二節(jié)復雜網絡的統(tǒng)計特性和基本模型復雜網絡中存在著各種各樣的規(guī)律和特征，對網絡隱藏信息的挖掘是廣大學者的追求和目標。與網絡的四種類型的簡單描述不同，隨著網絡規(guī)模和復雜性的進一步提升，需要使用統(tǒng)計學方法對復雜網絡的特性進行描述，不同的拓撲特性使得網絡系統(tǒng)的功能性質不盡相同。在對復雜網絡問題的不斷研究探索中，提出了各種復雜網絡模型，演化模型的不斷變化也是對復雜網絡深刻認識的過程。下面對統(tǒng)計特性和基本模型的相關內容進行簡述。一、復雜網絡的統(tǒng)計特性（一）度與度分布節(jié)點的度是最簡單的統(tǒng)計指標，可以用ik表示節(jié)點iv的度值，計算方式為鄰居節(jié)點的數量或者說直接與節(jié)點iv相連的連邊數量。由于有向網絡的連邊具有方向性，故可將節(jié)點的度分為入度和出度，分別用下列兩公式表示：
基于深度強化學習的復雜網絡關鍵節(jié)點識別15度和聚類系數之間相關性等特征被相繼提出。對網絡統(tǒng)計特性的學習和理解是復雜網絡研究的必要一步，研究關鍵節(jié)點識別方法也需要這些理論作為基矗二、復雜網絡的基本演化模型在使用復雜網絡對現實中復雜系統(tǒng)的認知研究中，學術界提出了多種多樣的復雜網絡模型，網絡的拓撲結構與功能性質相互作用，通過模型能夠有效地對網絡的結構特征進行深刻理解，才能更好地使用復雜網絡理論達到決策優(yōu)化、效能提升等現實目的。復雜網絡模型的研究是一個跨度很長的過程，大致可歸納為從規(guī)則網絡、隨機網絡、小世界網絡和無標度網絡這樣的模型發(fā)展歷程，學術界至今依然在對此問題進行研究，相繼提出各種各樣的網絡模型對真實網絡進行表征。下面對這四種基本演化模型進行介紹。（一）規(guī)則網絡規(guī)則網絡模型是學術界最早提出的模型之一，它的構造相對簡單，即各節(jié)點按照某一固定規(guī)則進行連接，這種形式構成的網絡中任意節(jié)點擁有相同的連接度。常見的規(guī)則網絡有三種：星形耦合網絡（Starcouplednetwork）、最近鄰耦合網絡（Nearest-neighborcouplednetwork）和全局耦合網絡（Globallycouplednetwork），具體拓撲結構見圖2-1。(a)星型耦合網絡(b)最近鄰耦合網絡(c)全局耦合網絡圖2-2三種規(guī)則網絡（二）隨機網絡規(guī)則網絡模型過于理想化，各個節(jié)點的統(tǒng)計特性相同顯然是不符合客觀規(guī)律的，隨后Erds和Réyni[62]提出了ER隨機圖模型，標志著隨機網絡模型的誕生。該網絡中任意兩點以某一概率進行連接，這是隨機網絡最大的特點。例如隨機網絡中有N個節(jié)點，節(jié)點之間的連接概率為p，則節(jié)點的度分布服從二項分布(N1,p)，如下所示。(1)1()(1)kVkVpkppk（2.9）
【參考文獻】：
期刊論文
[1]一種權重平均值的深度雙Q網絡方法[J]. 吳金金,劉全,陳松,閆巖. 計算機研究與發(fā)展. 2020(03)
[2]基于深度Q網絡的虛擬裝配路徑規(guī)劃[J]. 李妍,甄成剛. 計算機工程與設計. 2019(07)
[3]復雜網絡與機器學習融合的研究進展[J]. 李澤荃,楊曌,劉嶸,李靖. 計算機應用與軟件. 2019(04)
[4]一個具有雙線性發(fā)生率的隨機SIR傳染病模型的動力學性質[J]. 李明山,張渝曼,劉秀敏,黃鑫,周效良. 四川師范大學學報(自然科學版). 2019(02)
[5]基于排序優(yōu)先經驗回放的競爭深度Q網絡學習[J]. 周瑤瑤,李燁. 計算機應用研究. 2020(02)
[6]一類SIR傳染病模型的分岔分析[J]. 李明山,張渝曼,周效良. 四川師范大學學報(自然科學版). 2018(06)
[7]基于深度Q網絡學習的機器人端到端控制方法[J]. 張浩杰,蘇治寶,蘇波. 儀器儀表學報. 2018(10)
[8]一種深度Q網絡的改進算法[J]. 夏宗濤,秦進. 計算機應用研究. 2019(12)
[9]一種最大置信上界經驗采樣的深度Q網絡方法[J]. 朱斐,吳文,劉全,伏玉琛. 計算機研究與發(fā)展. 2018(08)
[10]基于復雜網絡動力學模型的無向加權網絡節(jié)點重要性評估[J]. 孔江濤,黃健,龔建興,李爾玉. 物理學報. 2018(09)
碩士論文
[1]基于復雜網絡理論的無線傳感器網絡關鍵節(jié)點識別技術研究[D]. 彭一.西南大學 2015
[2]復雜網絡關鍵節(jié)點識別技術研究[D]. 楊汀依.南京理工大學 2011
本文編號：2905690
本文鏈接：http://sikaile.net/shoufeilunwen/benkebiyelunwen/2905690.html
