复杂网络中的重叠社区结构检测算法研究-电子与通信工程专业论文.docx

摘要I 摘要 I 摘要II 摘要 II 万方数据 万方数据 万方数据 万方数据 摘要 现实世界中的很多系统都是以网络的形式存在，比如在我们人际交往中的关 系网络，科研系统中的论文合著关系网，计算机的路由网络，生命科学中的蛋白 质网络等等。社区结构是复杂网络一个十分重要的特性，它可以揭示社会网络的 隐藏规律和行为特征。网络社区结构检测问题也成为近些年研究的热点问题，有 很多社区检测算法被提了出来。 在实际网络中，一个节点往往不能简单的分到某一个社区中，而是被几个相 互重叠的社区所共享，比如一个人可以属于科学家社区并且同时也是一个摄影师。 检测网络中的重叠社区往往要比传统社区检测复杂很多。在本文中，我们围绕网 络重叠社区检测问题展开，主要内容阐述如下： （1）提出了一种基于多目标免疫的重叠社区检测算法。算法将重叠社区检测 问题抽象为一个多目标优化问题，并利用非支配邻域免疫算法(NNIA)来对目标函 数进行优化。算法通过同时优化两个相互冲突的目标函数来找到满意的社区结构。 算法采用了一种新的编码方式以及交叉和变异算子，并使用非负矩阵分解来提高 算法的局部搜索能力。算法不仅可以找出网络中的重叠社区，而且可以确定节点 属于每个社区的隶属度。 （2）针对重叠社区检测问题普遍存在的计算效率过低的问题，我们提出利用 GPU 来提高重叠社区检测算法的运行效率。通过对贝叶斯非负矩阵分解算法进行 并行化提出了 P-BNMF 算法。另外，针对网络邻接矩阵的存储限制问题，提出了 优化版的算法 Sparse-NMF 算法。该算法利用 CSR 格式对邻接矩阵进行稀疏表示， 只需要存储邻接矩阵中的非零值，以此来节省网络的存储空间。实验表明 P-BNMF 和 Sparse-NMF 算法都可以显著提高 NMF 算法的运行效率，而且 Sparse-BNMF 算法可以处理更大规模的网络。 关键词：复杂网络 重叠社区检测 多目标优化 非负矩阵分解 GPU 通用计算 OpenCL Abstract Abstract III IVAbs IV Abstract Abstract In real world, many complex systems can be modeled as networks. Such as the social networks, cooperation network in science, the rooting networks, and the protein networks. Community structure is one of the most important properties existing in complex networks for it reveals many underlying rules and characteristics of networks. Community detection in complex networks is an intensively investigated problem in recent years and many algorithms have been proposed. In real-world networks, a node is usually shared by several overlapping communities. This overlapping feature is quite common, e.g., in the network of our real life, one can be both a scientist and a photographer, so he should be assigned to both of these two communities. The problem of detecting overlapping communities is much more complicated than the hard-partition problem. In this paper, a systematic study is carried out for the overlapping community detection problem. The detail of this paper can be described as follows. In this paper, a multi-objective immune algorithm is proposed to uncover overlapping communities in networks. We module