应用离散量子粒子群的复杂网络社区检测

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (17): 45-46.

应用离散量子粒子群的复杂网络社区检测

陈国强1，张西广2，张新刚3

1.河南大学计算机与信息工程学院，河南开封 475004
2.中原工学院计算机学院，郑州 450007
3.南阳师范学院计算机与信息技术学院，河南南阳 473061

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-11 发布日期:2011-06-11

Community detection in complex networks based on discrete quantum particle swarm

CHEN Guoqiang1，ZHANG Xiguang2，ZHANG Xingang3

1.School of Computer and Information Engineering，Henan University，Kaifeng，Henan 475004，China
2.School of Computer，Zhongyuan Institute of Technology，Zhengzhou 450007，China
3.School of Computer and Information Technology，Nanyang Normal University，Nanyang，Henan 473061，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-11 Published:2011-06-11

摘要/Abstract

摘要： 针对模块度存在的解限制问题，分析了复杂网络社区检测中一种新的测度模块密度。采用二分策略，通过最大化模块密度，提出了基于离散量子粒子群优化进行复杂网络社区检测的算法。通过人工网络和现实网络的实验表明，算法具有较高的检测性能，并且在网络越来越模糊时，也能够检测出网络社区结构。

关键词: 复杂网络, 社区检测, 粒子群优化, 模块密度

Abstract: To overcome the resolution limits drawback of modularity function，a new measure of modularity density in complex network community detection is studied.With bi-partitioning strategy，by maximizing the module density，an algorithm is proposed based on discrete quantum particle swarm optimization for complex network community detection.Through the artificial network and real network experiments it is showed that this algorithm has high detection performance.And when the network becomes increasingly blurred，it can detect the network community structure well.

Key words: complex networks, community detection, particle swarm optimization, modularity density

陈国强1，张西广2，张新刚3. 应用离散量子粒子群的复杂网络社区检测[J]. 计算机工程与应用, 2011, 47(17): 45-46.

CHEN Guoqiang1，ZHANG Xiguang2，ZHANG Xingang3. Community detection in complex networks based on discrete quantum particle swarm[J]. Computer Engineering and Applications, 2011, 47(17): 45-46.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	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.
[5]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[6]	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.
[7]	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.
[8]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[9]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[10]	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.
[11]	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.
[12]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[13]	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.
[14]	姜东明，杨火根. 融合图卷积网络模型的无监督社区检测算法[J]. 计算机工程与应用, 2020, 56(20): 59-66.
[15]	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.