本發(fā)明屬于網(wǎng)絡(luò)技術(shù)領(lǐng)域，更進(jìn)一步涉及數(shù)據(jù)挖掘領(lǐng)域的基于多目標(biāo)密母計算的網(wǎng)絡(luò)社區(qū)檢測方法，本發(fā)明可用于網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)檢測及分析。

背景技術(shù)：
網(wǎng)絡(luò)是表示現(xiàn)實世界許多系統(tǒng)中客體間相互關(guān)系的有效形式。如協(xié)作網(wǎng)、萬維網(wǎng)、生物網(wǎng)、通信網(wǎng)絡(luò)、運(yùn)輸網(wǎng)絡(luò)、社會網(wǎng)絡(luò)等，這些系統(tǒng)都可以用復(fù)雜網(wǎng)絡(luò)來表示。研究復(fù)雜網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)對于分析網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、理解網(wǎng)絡(luò)的功能、發(fā)現(xiàn)網(wǎng)絡(luò)中的隱藏規(guī)律以及預(yù)測網(wǎng)絡(luò)的行為不僅具有十分重要的理論意義，而且具有廣泛的應(yīng)用前景，目前已被應(yīng)用于新陳代謝網(wǎng)絡(luò)分析、蛋白質(zhì)交互網(wǎng)絡(luò)分析等各種生物網(wǎng)絡(luò)分析以及Web社區(qū)挖掘等眾多領(lǐng)域。復(fù)雜網(wǎng)絡(luò)中，人們越來越多的關(guān)注社區(qū)結(jié)構(gòu)的檢測問題，通常對社區(qū)結(jié)構(gòu)定義是：相同社區(qū)內(nèi)點的連接邊數(shù)遠(yuǎn)遠(yuǎn)大于社區(qū)間點的連接邊數(shù)。目前，按照所采取的基本求解策略，可以歸納為兩大類：啟發(fā)式方法和基于優(yōu)化的方法。前者將復(fù)雜網(wǎng)絡(luò)社區(qū)檢測問題轉(zhuǎn)化為預(yù)定義啟發(fā)式規(guī)則的設(shè)計問題，后者將復(fù)雜網(wǎng)絡(luò)社區(qū)檢測問題轉(zhuǎn)化為優(yōu)化問題，通過最優(yōu)化預(yù)定義的目標(biāo)函數(shù)來計算復(fù)雜網(wǎng)絡(luò)的社區(qū)檢測問題。北京航空航天大學(xué)在其申請的專利“一種復(fù)雜網(wǎng)絡(luò)中的社區(qū)劃分方法”（專利申請?zhí)?00810224175.5，授權(quán)公告號CN101383748B）中公開了一種復(fù)雜網(wǎng)絡(luò)中的社區(qū)劃分方法。該方法以若干個不同的局部帶有影響力的節(jié)點為核心，并使節(jié)點的影響力從核心逐層向外均勻擴(kuò)散，最終形成了以影響力最大的節(jié)點為核心，逐層擴(kuò)展中節(jié)點的影響力不斷衰減，它們之間相互并聯(lián)形成一個局部區(qū)域，擴(kuò)展到停止的方法。該方法的不足是算法分辨率不高，只能得到單一劃分結(jié)果。西安電子科技大學(xué)在其申請的專利“基于密母計算的網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)檢測方法”（專利申請?zhí)?01110366154.9，公布號CN102521649A）中公開了一種基于密母計算的網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)檢測方法。該方法利用模塊度作為適應(yīng)度函數(shù)，進(jìn)行選擇、交叉和變異等操作，使用爬山法進(jìn)行局部搜索，求模塊度的最大值以探測社區(qū)結(jié)構(gòu)的方法。該方法的不足是，檢測精度不高，容易陷入局部最優(yōu)等問題。

技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于多目標(biāo)密母計算的網(wǎng)絡(luò)社區(qū)檢測方法。本發(fā)明結(jié)合了基于分解的多目標(biāo)進(jìn)化算法和模擬退火算法，采用了標(biāo)簽法作為網(wǎng)絡(luò)初始化方法，達(dá)到了網(wǎng)絡(luò)社區(qū)檢測的目的。為實現(xiàn)上述目的，本發(fā)明具體實現(xiàn)步驟包括如下：（1）建立待檢測網(wǎng)絡(luò)的鄰接矩陣：將待檢測網(wǎng)絡(luò)中節(jié)點按照1到N依次編號，N表示該網(wǎng)絡(luò)中節(jié)點的總個數(shù)；將該網(wǎng)絡(luò)中節(jié)點i與節(jié)點j之間有連接的邊所對應(yīng)的鄰接矩陣中的元素aij設(shè)定為1；將該網(wǎng)絡(luò)中節(jié)點i與節(jié)點j之間無連接的邊所對應(yīng)的鄰接矩陣中的元素aij設(shè)定為0；獲得與該網(wǎng)絡(luò)所對應(yīng)的鄰接矩陣；（2）網(wǎng)絡(luò)種群初始化：2a）采用標(biāo)簽法，對鄰接矩陣進(jìn)行社區(qū)分類，得到每個節(jié)點賦予不同的標(biāo)簽值的網(wǎng)絡(luò)社區(qū)劃分結(jié)果，將社區(qū)劃分結(jié)果作為初始網(wǎng)絡(luò)種群中的個體；2b）按照下式，計算初始網(wǎng)絡(luò)種群中個體的目標(biāo)函數(shù)值：其中，f1(xj)表示初始網(wǎng)絡(luò)種群中第j個個體的第一目標(biāo)函數(shù)，f2(xj)表示初始網(wǎng)絡(luò)種群中第j個個體的第二目標(biāo)函數(shù)，Vi表示第j個個體中第i個網(wǎng)絡(luò)社區(qū)的節(jié)點集合，L(Vi,Vi)表示同一個網(wǎng)絡(luò)社區(qū)中的節(jié)點連接邊數(shù)，表示第j個個體中第i個網(wǎng)絡(luò)社區(qū)以外的其它網(wǎng)絡(luò)社區(qū)的節(jié)點集合，表示第i個網(wǎng)絡(luò)社區(qū)與其它網(wǎng)絡(luò)社區(qū)間的節(jié)點連接邊數(shù)，|Vi|表示第j個個體中第i個網(wǎng)絡(luò)社區(qū)中的節(jié)點數(shù)；2c）按照下式，初始化網(wǎng)絡(luò)種群理想點：z=(z1,z2)T其中，z表示網(wǎng)絡(luò)種群理想點，z1表示從初始網(wǎng)絡(luò)中選擇的最小第一目標(biāo)函數(shù)，z2表示從初始網(wǎng)絡(luò)中選擇的最小第二目標(biāo)函數(shù)，T表示轉(zhuǎn)置操作；（3）產(chǎn)生新個體：從網(wǎng)絡(luò)種群中隨機(jī)選擇兩個個體，對這兩個個體進(jìn)行交叉操作和變異操作，產(chǎn)生一個新個體；（4）更新網(wǎng)絡(luò)種群4a）比較新個體的目標(biāo)函數(shù)值和網(wǎng)絡(luò)種群中個體的目標(biāo)函數(shù)值，將其中目標(biāo)函數(shù)值小的個體作為更新后的網(wǎng)絡(luò)種群理想點；4b）按照下式，計算新個體的切比雪夫值和網(wǎng)絡(luò)種群中個體的切比雪夫值：其中，g表示新個體和網(wǎng)絡(luò)種群中個體的切比雪夫值，λi表示網(wǎng)絡(luò)種群中個體的第i個權(quán)重向量，x表示網(wǎng)絡(luò)種群中個體，fi(x)表示網(wǎng)絡(luò)種群中個體的第i個目標(biāo)函數(shù)，zi表示網(wǎng)絡(luò)種群中第i個理想點，max表示數(shù)學(xué)最大符號；4c）比較新個體的切比雪夫值和網(wǎng)絡(luò)種群中個體的切比雪夫值，將二者中切比雪夫值小的個體，作為更新后的網(wǎng)絡(luò)種群中的個體；（5）局部搜索網(wǎng)絡(luò)種群：采用模擬退火算法，對種群進(jìn)行局部搜索，得到新的種群；（6）判斷迭代是否達(dá)到200次，若未達(dá)到，則執(zhí)行步驟（3），否則，執(zhí)行步驟（7）：（7）按照模塊度計算公式，計算網(wǎng)絡(luò)種群中每個個體的模塊度值：（8）檢測出網(wǎng)絡(luò)劃分后的社區(qū)：選擇網(wǎng)絡(luò)種群中個體模塊度值中最大的個體，將該最大個體作為最終的網(wǎng)絡(luò)社區(qū)劃分結(jié)果，這些劃分就是所要檢測出的網(wǎng)絡(luò)中的社區(qū)。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：第一，本發(fā)明采用標(biāo)簽法初始化網(wǎng)絡(luò)種群，快速產(chǎn)生了具有一定精度和較強(qiáng)多樣性的初始網(wǎng)絡(luò)種群。而且克服了傳統(tǒng)的初始化方法存在的初始精度不高、容易產(chǎn)生唯一劃分等問題，使得本發(fā)明提高了搜索效率，加快了收斂速度。第二，本發(fā)明結(jié)合了基于分解的多目標(biāo)進(jìn)化算法和模擬退火算法，提高了本發(fā)明的局部尋優(yōu)能力，并避免了陷入局部最優(yōu)，增加了本發(fā)明的分辨率，能夠發(fā)現(xiàn)網(wǎng)絡(luò)社區(qū)的層次結(jié)構(gòu)。附圖說明圖1為本發(fā)明的流程圖；圖2為本發(fā)明與多目標(biāo)進(jìn)化算法的網(wǎng)絡(luò)社區(qū)檢測算法的檢測結(jié)果比較圖；圖3為本發(fā)明使用的空手道俱樂部網(wǎng)絡(luò)的拓?fù)鋱D；圖4為本發(fā)明得到的空手道俱樂部網(wǎng)絡(luò)社區(qū)劃分的層次結(jié)構(gòu)圖。具體實施方式下面結(jié)合附圖對本發(fā)明做進(jìn)一步的描述。參照附圖1，本發(fā)明的步驟如下。步驟1，建立待檢測網(wǎng)絡(luò)的鄰接矩陣。將待檢測網(wǎng)絡(luò)中節(jié)點按照1到N依次編號，N表示該網(wǎng)絡(luò)中節(jié)點的總個數(shù)；將該網(wǎng)絡(luò)中節(jié)點i與節(jié)點j之間有連接的邊所對應(yīng)的鄰接矩陣中的元素aij設(shè)定為1；將該網(wǎng)絡(luò)中節(jié)點i與節(jié)點j之間無連接的邊所對應(yīng)的鄰接矩陣中的元素aij設(shè)定為0；獲得與該網(wǎng)絡(luò)所對應(yīng)的鄰接矩陣。步驟2，網(wǎng)絡(luò)種群初始化。采用標(biāo)簽法，對鄰接矩陣進(jìn)行社區(qū)分類，得到每個節(jié)點賦予不同的標(biāo)簽值的網(wǎng)絡(luò)社區(qū)劃分結(jié)果，將社區(qū)劃分結(jié)果作為初始網(wǎng)絡(luò)種群中的個體，組成種群大小為100的初始網(wǎng)絡(luò)種群；所述采用標(biāo)簽法的步驟如下：先將鄰接矩陣對應(yīng)的每個節(jié)點賦予不同的標(biāo)簽值，每一個標(biāo)簽代表一個社區(qū)，再分別找到鄰接矩陣對應(yīng)的一個任意節(jié)點s以及與節(jié)點s有連接的所有節(jié)點的標(biāo)簽，得到具有相同標(biāo)簽節(jié)點的個數(shù)，將相同標(biāo)簽節(jié)點個數(shù)最多的標(biāo)簽設(shè)定為r(s)max，用r(s)max更新節(jié)點s的標(biāo)簽，采用第二步的方法，依次更新鄰接矩陣中對應(yīng)的所有節(jié)點的標(biāo)簽，最后判斷鄰接矩陣對應(yīng)所有節(jié)點標(biāo)簽的更新5次是否達(dá)到，若未達(dá)到，則返回第二步，否則，輸出網(wǎng)絡(luò)社區(qū)的劃分結(jié)果；按照下式，計算初始網(wǎng)絡(luò)種群中個體的目標(biāo)函數(shù)值：其中，f1(xj)表示初始網(wǎng)絡(luò)種群中第j個個體的第一目標(biāo)函數(shù)，f2(xj)表示初始網(wǎng)絡(luò)種群中第j個個體的第二目標(biāo)函數(shù)，Vi表示第j個個體中第i個網(wǎng)絡(luò)社區(qū)的節(jié)點集合，L(Vi,Vi)表示同一個網(wǎng)絡(luò)社區(qū)中的節(jié)點連接邊數(shù)，表示第j個個體中第i個網(wǎng)絡(luò)社區(qū)以外的其它網(wǎng)絡(luò)社區(qū)的節(jié)點集合，表示第i個網(wǎng)絡(luò)社區(qū)與其它網(wǎng)絡(luò)社區(qū)間的節(jié)點連接邊數(shù)，|Vi|表示第j個個體中第i個網(wǎng)絡(luò)社區(qū)中的節(jié)點數(shù)；按照下式，初始化網(wǎng)絡(luò)種群理想點：z=(z1,z2)T其中，z表示網(wǎng)絡(luò)種群理想點，z1表示從初始網(wǎng)絡(luò)中選擇的最小第一目標(biāo)函數(shù)，z2表示從初始網(wǎng)絡(luò)中選擇的最小第二目標(biāo)函數(shù)，T表示轉(zhuǎn)置操作。步驟3，產(chǎn)生新個體。從網(wǎng)絡(luò)種群中隨機(jī)選擇兩個個體，對這兩個個體進(jìn)行交叉操作和變異操作，產(chǎn)生一個新個體；交叉操作的步驟如下：從網(wǎng)絡(luò)種群中隨機(jī)選取兩個個體，再按照下式，進(jìn)行單項交叉操作：其中，表示網(wǎng)絡(luò)種群中個體xl中節(jié)點j更新時所對應(yīng)的標(biāo)簽號，xk和xl分別表示網(wǎng)絡(luò)種群中隨機(jī)選取的兩個個體，r(i)表示網(wǎng)絡(luò)種群中個體xk中隨機(jī)選取的一個節(jié)點i的標(biāo)簽，表示數(shù)學(xué)任意符號，j表示網(wǎng)絡(luò)種群中個體xk中標(biāo)簽為r(i)的節(jié)點，∈表示數(shù)學(xué)屬于符號，|表示數(shù)學(xué)條件符號，表示節(jié)點j的選取條件；最后對網(wǎng)絡(luò)種群中隨機(jī)選取的兩個個體進(jìn)行單項交叉操作，產(chǎn)生一個新個體；變異操作的步驟如下：在交叉操作產(chǎn)生的個體中隨機(jī)選擇一個節(jié)點i，獲取該節(jié)點的標(biāo)簽r(i)，得到與該節(jié)點有連接的所有節(jié)點，對這些節(jié)點分配[0,1]的概率，當(dāng)上述節(jié)點的概率大于變異概率0.9時，更新該節(jié)點的標(biāo)簽為r(i)，產(chǎn)生一個新個體。步驟4，更新網(wǎng)絡(luò)種群。比較新個體的目標(biāo)函數(shù)值和網(wǎng)絡(luò)種群中個體的目標(biāo)函數(shù)值，將目標(biāo)函數(shù)值小的個體作為更新后的網(wǎng)絡(luò)種群理想點；比較新個體的切比雪夫值和網(wǎng)絡(luò)種群中個體的切比雪夫值，將二者中切比雪夫值小的個體，作為更新后的網(wǎng)絡(luò)種群中的個體；按照下式，計算新個體的切比雪夫值和網(wǎng)絡(luò)種群中個體的切比雪夫值：其中，g表示新個體和網(wǎng)絡(luò)種群中個體的切比雪夫值，λi表示網(wǎng)絡(luò)種群中個體的第i個權(quán)重向量，x表示網(wǎng)絡(luò)種群中個體，fi(x)表示網(wǎng)絡(luò)種群中個體的第i個目標(biāo)函數(shù)，zi表示網(wǎng)絡(luò)種群中第i個理想點，max表示數(shù)學(xué)最大符號。步驟5，局部搜索網(wǎng)絡(luò)種群。若種群中非支配解數(shù)量少于種群數(shù)量的一半時，采用模擬退火算法，對種群進(jìn)行局部搜索，得到新的種群，否則進(jìn)行下一步；模擬退火方法的步驟如下：設(shè)置當(dāng)前溫度為100，設(shè)置終止溫度為0.9，采用標(biāo)簽法生成一個新個體，計算新個體和網(wǎng)絡(luò)種群中個體的切比雪夫值，如果新個體的切比雪夫值小于網(wǎng)絡(luò)種群中個體的切比雪夫值，將新個體作為更新后的網(wǎng)絡(luò)種群中的個體，否則，若符合模擬退火概率，將新個體作為更新后的網(wǎng)絡(luò)種群中的個體，若不符合模擬退火概率，則不更新網(wǎng)絡(luò)種群中的個體；模擬退火概率的公式如下：rand(0,1)]]>其中，g*表示新個體的切比雪夫值，g表示網(wǎng)絡(luò)種群中個體的切比雪夫值，T表示當(dāng)前溫度，rand(0,1)表示區(qū)間(0,1)之間的任意隨機(jī)數(shù)，exp表示數(shù)學(xué)自然常數(shù)符號；降低當(dāng)前溫度，降溫速率為0.72，重復(fù)以上操作，直到當(dāng)前溫度小于終止溫度時結(jié)束局部搜索操作。步驟6，判斷是否達(dá)到迭代次數(shù)。判斷迭代是否達(dá)到200次，若未達(dá)到，則執(zhí)行步驟3，否則，執(zhí)行步驟7。步驟7，計算網(wǎng)絡(luò)種群中每個個體的模塊度值。模塊度的計算公式如下：其中，Q表示網(wǎng)絡(luò)種群中個體的模塊度值，k表示網(wǎng)絡(luò)種群中個體對應(yīng)網(wǎng)絡(luò)劃分的社區(qū)個數(shù)，ls表示第s個社區(qū)內(nèi)節(jié)點間連接邊的邊數(shù)，m表示網(wǎng)絡(luò)種群中個體對應(yīng)網(wǎng)絡(luò)中所有節(jié)點間連接邊的總邊數(shù)，ds表示第s個社區(qū)中節(jié)點度的總和。步驟8，檢測出網(wǎng)絡(luò)劃分后的社區(qū)。選擇網(wǎng)絡(luò)種群中個體模塊度值最大的個體，將該最大個體作為最終的網(wǎng)絡(luò)社區(qū)劃分結(jié)果，這些劃分就是所要檢測出的網(wǎng)絡(luò)中的社區(qū)。本發(fā)明的效果可通過以下仿真進(jìn)一步說明：1.仿真條件：在CPU為IntelCore22.3GHz、內(nèi)存2G、WindowsXP系統(tǒng)上使用Matlab2008a進(jìn)行仿真。2.仿真內(nèi)容：分別選取電腦合成網(wǎng)絡(luò)和現(xiàn)實世界網(wǎng)絡(luò)作為實驗對象，其真實網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)劃分已知。使用歸一化互信息NMI作為相似性度量，用來衡量仿真檢測的網(wǎng)絡(luò)劃分結(jié)果與真實網(wǎng)絡(luò)劃分之間的相似度，其值在0到1之間，越接近于1表明兩個網(wǎng)絡(luò)劃分越相似，也就是仿真檢測的網(wǎng)絡(luò)劃分準(zhǔn)確性越高。在電腦合成網(wǎng)絡(luò)仿真中使用Lancichinetti提出的基準(zhǔn)測試網(wǎng)絡(luò)，該網(wǎng)絡(luò)包含128個節(jié)點，4個社區(qū)，每個社區(qū)32個節(jié)點，每個節(jié)點平均度為16。每個節(jié)點與社區(qū)內(nèi)部節(jié)點的連接比例為1-u，每個節(jié)點與社區(qū)外部節(jié)點連接的比例為u，u為混合參數(shù)。我們生成u從0到0.5變化的11個不同的電腦合成網(wǎng)絡(luò)進(jìn)行仿真實驗，u越大，表明網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)越模糊，越難以檢測出真實的網(wǎng)絡(luò)劃分。參照附圖2，圖2中標(biāo)有圓圈的曲線表示本發(fā)明仿真結(jié)果繪制的曲線，標(biāo)有加號的曲線表示基于分解的多目標(biāo)進(jìn)化算法的網(wǎng)絡(luò)社區(qū)檢測算法仿真結(jié)果繪制的曲線，標(biāo)有星號的曲線表示多目標(biāo)遺傳算法的網(wǎng)絡(luò)社區(qū)檢測算法仿真結(jié)果繪制的曲線。圖2中的橫坐標(biāo)表示混合參數(shù)u從0到0.5變化的11個不同的值，縱坐標(biāo)表示從0到1的NMI值。由本發(fā)明和現(xiàn)有技術(shù)的兩種算法對11個不同的電腦合成網(wǎng)絡(luò)獨立進(jìn)行10次仿真，得到平均NMI值，從圖2可以看出，當(dāng)u≤0.4時，本發(fā)明得到的NMI值為1，也就是說檢測出了真實的網(wǎng)絡(luò)劃分，基于分解的多目標(biāo)進(jìn)化算法解決網(wǎng)絡(luò)中的社區(qū)檢測算法對于u>0.2的網(wǎng)絡(luò)就檢測不出真實的劃分了，而多目標(biāo)遺傳算法解決網(wǎng)絡(luò)中的社區(qū)檢測算法對于u>0.1的網(wǎng)絡(luò)就很難檢測出真實的劃分了，從圖中可以看出本發(fā)明有很高的分辨率。在對現(xiàn)實世界網(wǎng)絡(luò)仿真中使用空手道俱樂部網(wǎng)絡(luò)作為實驗對象，空手道俱樂部網(wǎng)絡(luò)包含34個節(jié)點，78條邊，2個社區(qū)。參照附圖3，圖3為空手道俱樂部網(wǎng)絡(luò)的拓?fù)鋱D，圖3中的圓圈表示空手道俱樂部的成員，圓圈中的數(shù)字表示拓?fù)鋱D中{1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34}對應(yīng)的節(jié)點，圖3中的連線表示成員之間有聯(lián)系。參照附圖4，本發(fā)明對空手道俱樂部網(wǎng)絡(luò)進(jìn)行仿真，在圖4（a）中，本發(fā)明將網(wǎng)絡(luò)劃分成兩個社區(qū)，方形表示第一個社區(qū)，包括節(jié)點{1、2、3、4、5、6、7、8、11、12、13、14、17、18、20、22}，圓形表示第二個社區(qū)，包括節(jié)點{9、10、15、16、19、21、23、24、25、26、27、28、29、30、31、32、33、34}。在圖4（b）中，本發(fā)明將第一個社區(qū)又劃分成兩個小社區(qū)，三角形表示又劃分出的小社區(qū)，包括節(jié)點{5、6、7、11、17}。從圖4（c）可以看出，本發(fā)明將第二個社區(qū)也劃分成兩個小社區(qū)，五邊形表示劃分出的小社區(qū)，包括節(jié)點{25、26、29、32}。由此可以看出空手道俱樂部網(wǎng)絡(luò)具有的層次結(jié)構(gòu)。綜上所述，本發(fā)明采用標(biāo)簽法初始化網(wǎng)絡(luò)，結(jié)合多目標(biāo)進(jìn)化算法和模擬退火算法的優(yōu)勢，提高了本發(fā)明的局部尋優(yōu)能力，避免了陷入局部最優(yōu)，能夠發(fā)現(xiàn)網(wǎng)絡(luò)的層次結(jié)構(gòu)，并較傳統(tǒng)的多目標(biāo)社區(qū)結(jié)構(gòu)檢測方法分辨率更高。