改进的自推动粒子模型与群体行为研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (25): 5-9.

改进的自推动粒子模型与群体行为研究

姚灿中1，杨建梅2

1.华南理工大学经济与贸易学院，广州 510006
2.华南理工大学工商管理学院，广州 510640

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-01 发布日期:2011-09-01

Improved self-propelled particle models and group behavior analysis

YAO Canzhong1，YANG Jianmei2

1.School of Economics and Commerce，South China University of Technology，Guangzhou 510006，China
2.School of Business Administration，South China University of Technology，Guangzhou 510640，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-01 Published:2011-09-01

摘要/Abstract

摘要： 采用原胞自动机对自推动粒子模型进行改进，分析了在低密度空间、中等密度空间以及高密度空间3种情况下，大众生产系统生产者的决策影响因素。研究表明，在中等密度空间，大众生产系统中生产者的决策突变不仅与生产者的密度相关，还与系统的开放性以及智能粒子的更新速度密切相关。进一步地采用复杂网络对自推动粒子模型进行改进。结果表明，当外部影响较小时，网络拓扑结构对群体一致决策无太大影响，系统稳定时群体的一致决策方向与外部初始条件相关;当外部影响较大时，在满足外部影响与网络拓扑结构一定关系的条件下，系统中自推动粒子的群体决策与基于原胞自动机的结果相似。根据大众生产合作网络的无标度特性分析了在动态增长无标度网络中的稳定结果，得出当γ>3时动态增长的网络系统中自推动粒子的群体行为选择仍然具备突然改变方向的性质。

关键词: 大众生产系统, 群体行为, 复杂网络, 自推动粒子模型, 原胞自动机

Abstract: The self-propelled particle models are improved by cellular automaton;through this model the peer?production system producers’?decision-making?factors are further analysed in three cases of low density space，medium?density?space，and?high-density?space.The studies show that in medium density space，the decision-making?producers’ decision mutations are?associated?not only with?the density of?the producer，but also?related with the openness of?the system?and?update intelligent?speed of?the particles?closely.Complex network model is used to improve self-propelled particle model.The results?show that when the?external influence?is small，the group?consensus?decision-making?is not affected by the network topology;in the system?stable state the?groups consensus decision-making direction is associated?with?the external initial conditions;when?external influence is larger，if external influence?and network?topology follow a certain relationship，?the results of system?groups decision-making are similar to promote?particles in?cellular automata.According to the peer production system’s scale-free?network?characteristics，the stable results are analysed in the dynamic?growth?scale-free?network，and it shows that when?the dynamically?growing?network?follows the γ>3 law，the groups behavior in the network still?has a?sudden change in the direction of?selection?in nature.

Key words: peer production system, group behaviors, complex network, self-propelled particle models, cellular automaton

姚灿中1，杨建梅2. 改进的自推动粒子模型与群体行为研究[J]. 计算机工程与应用, 2011, 47(25): 5-9.

YAO Canzhong1，YANG Jianmei2. Improved self-propelled particle models and group behavior analysis[J]. Computer Engineering and Applications, 2011, 47(25): 5-9.

[1]	马满福，郭晨彪，李勇，张钟颖，张强，王常青. 基于结构熵的注意力流网络异构性研究[J]. 计算机工程与应用, 2021, 57(23): 98-105.
[2]	石宇强，田永政，张雨琦，石小秋. 运用含复杂网络结构的多种群遗传算法求解FJSP[J]. 计算机工程与应用, 2021, 57(2): 257-266.
[3]	李金海，何有世，张鹏. 融合情境语义推理及社会网络的团购推荐研究[J]. 计算机工程与应用, 2021, 57(18): 163-171.
[4]	王安，顾益军. 基于社区划分的节点重要性评估方法[J]. 计算机工程与应用, 2020, 56(8): 42-48.
[5]	陈杰，程胜，徐梦，史豪斌. 面向医疗辅助诊断的可视化多属性决策方法[J]. 计算机工程与应用, 2020, 56(8): 249-255.
[6]	赵亮，朱征宇. 融入K-核迭代因子的重叠社区发现算法[J]. 计算机工程与应用, 2020, 56(3): 61-67.
[7]	杜轻，辛守庭，雷新宇，于海涛. 基于脑网络和TSK模糊系统的癫痫脑电识别[J]. 计算机工程与应用, 2020, 56(2): 133-140.
[8]	蔡菲，张鑫，牟晓慧，陈杰，蔡珣. 深度非负矩阵分解的链路预测方法研究[J]. 计算机工程与应用, 2020, 56(15): 153-161.
[9]	易成岐，郭鑫，童楠楠，窦悦，陈东，王建冬. 基于启发式社团发现模型的创新态势研判算法[J]. 计算机工程与应用, 2020, 56(15): 74-79.
[10]	张昕，郭阳. 复杂网络中的一种介度熵抗毁性度量方法[J]. 计算机工程与应用, 2020, 56(12): 105-111.
[11]	盛津芳，刘家广，王斌. 基于Katz自动编码器的城市路网链路预测模型[J]. 计算机工程与应用, 2019, 55(8): 116-123.
[12]	姚蓉1，杨雄1，杨鹏飞1，阴桂梅1，2，李海芳1. 精分EEG脑网络同步稳定性研究[J]. 计算机工程与应用, 2019, 55(5): 60-64.
[13]	陈紫扬，张月霞. 结合二层节点度和聚类系数的链路预测算法[J]. 计算机工程与应用, 2019, 55(23): 40-44.
[14]	张昕，严沛，郭阳，王慧慧. 基于k-shell的复杂网络最短路径近似算法[J]. 计算机工程与应用, 2019, 55(14): 54-60.
[15]	朱晓霞，胡小雪. 基于改进k-shell算法的节点影响力的识别[J]. 计算机工程与应用, 2019, 55(1): 35-41.