基于多种群多层次自学TLBO算法的动态社区发现

技术领域

本发明涉及动态社区发现技术领域，具体涉及基于多种群多层次自学TLBO算法的动态社区发现。

背景技术

近年来，复杂网络中的社区结构的发现成为一个研究热点，其研究广泛应用于生物医学、社交网络等领域。社区结构是复杂网络的一个普遍特征，整个网络由多个社区组成，同一社区的节点之间连接紧密，而社区之间的节点连接松散。寻找这样一个结构的研究问题被称为社区检测(聚类)问题。但是注意到源自现实世界的网络大多都是动态的，例如，在科学合作网络变化的过程中，科学家调整了研究方向，与不同的合著者发表论文。社交网络中，随着时间的变化新的人被添加或新的友谊被建立，网络结构往往会逐渐改变，使得社区也逐渐改变，分析社区的变化可以发现网络的互动趋势，从而使这些动态网络的研究可以广泛应用于“智慧城市”中。

动态社区发现问题是由若干时刻的无向网络组成，且这些网络的存在伴随着时间的演化关系。数年来参考文献所提出的有关动态社区发现的方法大致可分为两类：精确算法和元启发式算法，精确算法主要针对社区结构进行求解。由于动态网络社区发现是典型的NP-Hard问题，所以精确求解方法很难在有效时间内得出较好的结果。部分研究者将动态社区发现问题转换为多个静态社区发现问题，利用元启发式算法进行单目标优化，但往往不能很好的利用网络的时序特性，容易造成聚类飘逸，或者不能多角度聚类。利用多目标优化元启发式算法进行求解，既可以避免现有聚类框架的参数设置问题又可以多角度的去划分社区。但仍存在一些问题：

1.大多数元启发式算法均需要一些额外的控制参数，使用模型很难调优；2.现有社区发现算法通常为单种群元启发式算法，常常伴随过早收敛，容易因为种群多样性不够而陷入局部最优；3.现有方法只考虑到了当前网络和上一时间步网络社区结构的相似性，并依据上一步时间网络的社区划分来给当前网络提供划分依据。但动态社区并不总是单一的变化，有时会出现波动的变化，使得当前社区不一定和前一社区更相似，而有可能和前面一段时间的某个社区更相似。

发明内容

本发明的目的在于：针对目前存在的上述问题，提供了基于多种群多层次自学TLBO算法的动态社区发现，参考TLBO教与学的模式，提出多种群多层次优化策略，多种群优化策略通过种群内竞争，种群间合作使得两个种群朝着两个目标优化，在种群内考虑学生间自学能力的差异性，提出多层次学生自学方法，对不同层次的学生设计不同粗细粒度的学习策略，有效提升学生的自学效率。

本发明的技术方案如下：

基于多种群多层次自学TLBO算法的动态社区发现，包括以下步骤：

将整个种群划分为两个种群，每个子种群通过多策略初始化方法进行初始化；

构建多种群多目标优化框架，对不同种群采用不同方法进行划分，不同种群朝向不同方向演进，种群间通过合作共享种群间的信息；

通过相似社区发现方法，利用稠密子网络算子进行匹配找到与当前时刻最相似的网络，引导新社区划分；

对划分好的种群采用分层自学习TLBO方法进行学习，分为教师阶段和学生阶段，在教师阶段，使两个种群内部竞争朝向不同方向发展学习；在学生阶段，通过多层次自学方法，将子种群划分为不同层次的学生，对不同层次学生采用不同的学习策略；

不断迭代分层自学习TLBO方法直到得出最优解。

进一步的，所述分层自学习TLBO方法包括教师阶段和学生阶段，教师阶段的具体步骤为：

教师阶段：两个班级的老师各自传授知识使得两个班级学生们内部竞争分别朝向不同的方向发展，教学方法和需要更新的点公式为：

其中

进一步的，所述学生阶段采用多层次自学，具体步骤为：

将整个班级分为三组，即最优组、平常组和差组，针对不同层次的学生采用不同的学习策略，同时两个班级学生通过合作，各组划分标准为：

其中

对最优组采用细粒度突变算子，对当前解进行节点的微调进行优化；对平常组采用粗粒度变异算子改变社区个数，进行大规模的改变；对差组采用与教师阶段相同的更新方法；对优化过后的种群，采用基于个体差异的杂交算子将差异性大的个体杂交。

进一步的，所述细粒度突变算子和粗粒度变异算子是基于张量的粗细粒度变异算子算法进行，基于张量的粗细粒度变异算子算法的具体步骤为：

基于张量的边界节点相似度计算：对于给定无向网络的邻接矩阵A，高阶邻近度被定义为A的多项式函数P(·)公式如下：

H＝P(A)＝w

其中q是阶数，w

通过计算结点张量的余弦相似度来衡量结点之间聚类的距离：

S

其中b

细粒度突变算子：利用结点和其邻居结点相似度的差异性，将产生正确突变的概率量化为如下公式：D

粗粒度的变异算子：粗粒度的变异算子是将细粒度突变结合单节点突变开发的一种适合质量较差解的变异算子；单节点突变是将所有点依据其与邻居的最小相似度的从小到大排序，并将相似度小的顶点重新划分到一个新的社区；直到社区数量和全局最优一样。

进一步的，所述基于个体差异性的杂交算子的具体个性差异性公式为：

dist＝(-1)*NMI(Individual

进一步的，所述多种群多目标优化框架的具体构建方法为：

划分为两个种群X＝{X

对种群X

其中l

对种群X

其中C

进一步的，所述多种群多目标优化框架还包括以下步骤：

种群合作：朝向不同方向演进的两个种群，通过种群间的合作，使两个种群信息共享，达到多目标优化的目的，对分别位于两个种群的个体

更新的条件公式为：

其中P

进一步的，所述相似社区发现方法是寻找与当前时刻网络具有最多相同稠密子网络的之前时刻的网络，并依据其网络划分来引导当前时刻的网络划分，具体步骤包括：

构建稠密子网络G

对属于不同时刻网络的结点v

构建相似社区(CS)：对于给定的图G

通过输入不同时间步的无向图，得到与G

进一步的，所述多策略初始化方法的具体步骤为：

种群的大小被定义为pop_size,它被分为4个大小为pop_size

子种群1：采用传统的LPA初始化，首先将每个结点赋予一个唯一的标签然后通过最大数量邻居持有的标签更新每个节点的标签；

子种群2：对传统的LPA进行了改进，首先将每个结点赋予一个唯一的标签，根据结点度中心性将节点从大到小排序，然后再通过最大数量邻居持有的标签更新每个节点的标签；对于结点v

子种群3：将每个结点v

子种群4：将每个结点v

与现有的技术相比本发明的有益效果是：

1、基于多种群多层次自学TLBO算法的动态社区发现，提出了多种群协作竞争机制，使得每个种群分别朝向不同目标函数进行演化，种群内划分为多层次按不同的策略进行优化，各种群的优化解进行杂交，针对解质量的特性和节点特性设计不同的突变策略，促使解高质量的进行演化；

2、基于多种群多层次自学TLBO算法的动态社区发现，针对优化目标：最大限度的提高聚类质量和最小化聚类之间的两个连续的时间步骤之间的漂移，提出通过种群间合作使得两个种群朝优化目标优化，与以往TLBO不同，在种群内考虑学生间的自学能力的差异性，提出多层次学生自学方法，对不同层次的学生设计不同的学习策略，有效提升学生的学习效率；

3、基于多种群多层次自学TLBO算法的动态社区发现，由于目前的动态社区发现只是考虑相邻时间点网络的相似之处，提出利用在一段时间的社区相似性引导社区发现；从稠密子网络的角度计算相似社区，加快有效进行社区相似性计算；

4、基于多种群多层次自学TLBO算法的动态社区发现，深入分析节点特性，提出基于个体差异性的杂交算子和基于张量的粗细粒度变异算子，提出改进的杂交算子，有效地考虑个体的差异性，对差异性大的个体进行杂交，提高个体杂交的效率，改进了种群的收敛速度和多样性。

附图说明

图1为基于多种群多层次自学TLBO算法的动态社区发现算法的流程图。

图2为基于多种群多层次自学TLBO算法的动态社区发现的种群间合作过程示意图。

图3为基于多种群多层次自学TLBO算法的动态社区发现的相似社区发现过程示意图。

图4为基于多种群多层次自学TLBO算法的动态社区发现的教学阶段教学方法过程示意图。

图5为基于多种群多层次自学TLBO算法的动态社区发现的改进的细粒度突变算子突变过程示意图。

图6为基于多种群多层次自学TLBO算法的动态社区发现的粗粒度变异算子突变过程示意图。

具体实施方式

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合实施例对本发明的特征和性能作进一步的详细描述。

请参阅图1-6，基于多种群多层次自学TLBO算法的动态社区发现，包括以下步骤：

将整个种群划分为两个种群，每个子种群通过多策略初始化方法进行初始化；

构建多种群多目标优化框架，对不同种群采用不同方法进行划分，不同种群朝向不同方向演进，种群间通过合作共享种群间的信息；

通过相似社区发现方法，利用稠密子网络算子进行匹配找到与当前时刻最相似的网络，引导新社区划分；

对划分好的种群采用分层自学习TLBO方法进行学习，分为教师阶段和学生阶段，在教师阶段，使两个种群内部竞争朝向不同方向发展学习；在学生阶段，通过多层次自学方法，将子种群划分为不同层次的学生，对不同层次学生采用不同的学习策略；

不断迭代分层自学习TLBO方法直到得出最优解。

所述分层自学习TLBO方法包括教师阶段和学生阶段，教师阶段的具体步骤为：

教师阶段：两个班级的老师各自传授知识使得两个班级学生们内部竞争分别朝向不同的方向发展，教学方法和需要更新的点公式为：

其中

图4中对于两个班级的学生

所述学生阶段采用多层次自学，具体步骤为：

将整个班级分为三组，即最优组、平常组和差组，针对不同层次的学生采用不同的学习策略，同时两个班级学生通过合作，各组划分标准为：

其中

对最优组采用细粒度突变算子，对当前解进行节点的微调进行优化；对平常组采用粗粒度变异算子改变社区个数，进行大规模的改变；对差组采用与教师阶段相同的更新方法；对优化过后的种群，采用基于个体差异的杂交算子将差异性大的个体杂交。

所述细粒度突变算子和粗粒度变异算子是基于张量的粗细粒度变异算子算法进行，基于张量的粗细粒度变异算子算法的具体步骤为：

基于张量的边界节点相似度计算：对于给定无向网络的邻接矩阵A，高阶邻近度被定义为A的多项式函数P(·)公式如下：

H＝P(A)＝w

其中q是阶数，w

通过计算结点张量的余弦相似度来衡量结点之间聚类的距离：

S

其中b

细粒度突变算子：利用结点和其邻居结点相似度的差异性，将产生正确突变的概率量化为如下公式：D

粗粒度的变异算子：粗粒度的变异算子是将细粒度突变结合单节点突变开发的一种适合质量较差解的变异算子；单节点突变是将所有点依据其与邻居的最小相似度的从小到大排序，并将相似度小的顶点重新划分到一个新的社区；直到社区数量和全局最优一样。图6展现了粗粒度变异算子的突变过程。

所述基于个体差异性的杂交算子的具体个性差异性公式为：

dist＝(-1)*NMI(Individual

所述多种群多目标优化框架的具体构建方法为：

划分为两个种群X＝{X

对种群X

其中l

对种群X

其中C

所述多种群多目标优化框架还包括以下步骤：

种群合作：朝向不同方向演进的两个种群，通过种群间的合作，使两个种群信息共享，达到多目标优化的目的，对分别位于两个种群的个体

更新的条件公式为：

其中P

图2中对于两个种群的个体

所述相似社区发现方法是寻找与当前时刻网络具有最多相同稠密子网络的之前时刻的网络，并依据其网络划分来引导当前时刻的网络划分，具体步骤包括：

构建稠密子网络G

对属于不同时刻网络的结点v

构建相似社区(CS)：对于给定的图G

图3中示例了相似社区发现的计算过程，该方法是寻找{G

通过输入不同时间步的无向图，得到与G

所述多策略初始化方法的具体步骤为：

种群的大小被定义为pop_size,它被分为4个大小为pop_size

子种群1：采用传统的LPA初始化，首先将每个结点赋予一个唯一的标签然后通过最大数量邻居持有的标签更新每个节点的标签；

子种群2：对传统的LPA进行了改进，首先将每个结点赋予一个唯一的标签，根据结点度中心性将节点从大到小排序，然后再通过最大数量邻居持有的标签更新每个节点的标签；对于结点v

子种群3：将每个结点v

子种群4：将每个结点v

该方法可用在时序网络的社区发现上。

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。