基于PSO微粒群算法的复杂网络社区结构发现

doi:10.3778/j.issn.1002-8331.2008.22.016

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (22): 56-58.DOI: 10.3778/j.issn.1002-8331.2008.22.016

基于PSO微粒群算法的复杂网络社区结构发现

戴飞飞,唐普英

电子科技大学光电信息学院，成都 610054

收稿日期:2007-10-10 修回日期:2008-01-21 出版日期:2008-07-11 发布日期:2008-07-11
通讯作者: 戴飞飞

Community structure detection in complex networks using Particle Swarm Optimization algorithm

DAI Fei-fei,TANG Pu-ying

School of Opto-Electronic Information，University of Electronic Science and Technology of China，Chengdu 610054，China

Received:2007-10-10 Revised:2008-01-21 Online:2008-07-11 Published:2008-07-11
Contact: DAI Fei-fei

摘要/Abstract

摘要： 复杂网络社区结构划分日益成为近年来复杂网络的研究热点，到目前为止，已经提出了很多分析复杂网络社区结构的算法。但是大部分算法还存在一定的缺陷，而且有些算法由于其时间复杂度的过高导致其不适合应用于对大型网络的分析。提出了一种基于PSO微粒群算法的复杂网络社区结构分析方法。此方法无需预先知道组成该复杂网络的社区数量、社区内的节点数以及任何门限值。该算法的可行性用Zachary Karate Club和College Football Network模型进行验证。

关键词: 复杂网络, 社区结构, PSO微粒群算法

Abstract: Community structure identification has been one of the most popular research areas in recent years and there has been many algorithm proposed so far to detect community structures in complex networks in varied topics，where most of the algorithm have some drawbacks，and some of them are not suitable for very large networks because of their time-complexity.In this paper，an algorithm for detecting community structures in complex network is presented，which is based on the Particle Swarm Optimization algorithm.It doesn’t need any priori knowledge about the numbers of communities and any threshold values.The algorithm is tested on the two network data named Zachary Karate Club and College Football.

Key words: complex networks, community structure, Particle Swarm Optimization（PSO） algorithm

戴飞飞,唐普英. 基于PSO微粒群算法的复杂网络社区结构发现[J]. 计算机工程与应用, 2008, 44(22): 56-58.

DAI Fei-fei,TANG Pu-ying. Community structure detection in complex networks using Particle Swarm Optimization algorithm[J]. Computer Engineering and Applications, 2008, 44(22): 56-58.

[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]	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.
[9]	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.
[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.

基于PSO微粒群算法的复杂网络社区结构发现

Community structure detection in complex networks using Particle Swarm Optimization algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics