求解多目标社区发现问题的离散化随机漂移粒子群优化算法

• 作者: 李萍 汪芬 陈祺东 孙俊
• 来源期刊: 计算机应用
• 关键词: 社区发现 多目标复杂网络 离散化 随机漂移粒子群优化 模块度 Pareto非劣解集
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 先进计算|Advanced computing
• 页码范围: 803-811
• 页数: 9页
• 分类号: TP301.6|TP18
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020060800

摘要

针对求解复杂网络的多目标社区发现问题,提出了一种离散化随机漂移粒子群优化(DRDPSO)算法.首先,通过对社区进行随机化编码操作和针对随机漂移算法的离散化操作,来改善局部网络结构并逐渐增强全局模块度值;其次,根据核K均值(KKM)和比例割(RC)两个目标函数来控制网络中的社区规模、缓解模块度分辨率限制;最后,根据多目标求解策略逐步更新Pareto非劣解集,从Pareto非劣解集选取满足需求的目标社区结构.为了验证所提算法的有效性,将DRDPSO算法与其他社区发现算法在三种具有10个不同参数设置的生成网络及三种真实网络上进行对比实验,并采用两个最佳社区评价指标对各算法获得的社区发现结果进行对比分析.实验结果表明,使用DRDPSO算法求解复杂网络的多目标社区发现问题时,获得的社区发现评价指标(归一化互信息和模块度)最高的概率达到95％以上.可见DRDPSO算法在真实网络进行应用能进一步地提高网络社区划分的精确度和鲁棒性.