论文部分内容阅读
复杂网络研究作为一个新兴的学科方向，极大地吸引了来自不同学科研究人员的广泛关注，对复杂网络定量和定性的研究，有助于揭示复杂网络表示下的不同复杂系统中普遍存在的一般规律，在物理学、生物学、计算机科学、社会学等诸多学科中具有重要意义。复杂网络中的社团结构就是一组其内部节点间联系非常紧密而与网络中其他部分联系相对比较稀疏的节点的子集，社团结构是复杂网络的一个关键结构规律，因此精准分析复杂网络的社团结构是复杂网络研究中的一个非常重要的课题。 本文研究复杂网络社团结构提取问题，提出了两种新的复杂网络社团结构提取算法:连续神经网络(CNN)算法和离散Hopfield神经网络(DHNN)算法，并分别对这两种算法的稳定性做了理论和实践上的分析。主要成果如下: (1)提出了CNN算法，并证明了对于给定的任意初值，连续神经网络算法都会收敛到网络模块度矩阵B的最大特征值的特征向量。因此，根据网络演进的稳定状的符号将能得到两个社团结构。 (2)提出了DHNN算法，并证明了从任意的初值出发，经过若干次迭代后网络最终收敛到一个吸引子或一个长度为2的极限环，并且给出了DHNN的能量函数与模块度函数之间的关系，证明了网络的稳定点对应于一个极大的模块度函数Q值。 (3)进行了大量的实例验证工作。对于本文提出的两种社团结构提取算法在8个实际网络上进行了仿真实验，结果表明，DHNN社团结构提取算法比CNN算法及Newman的特征值特征向量算法得到的Q大。同时DHNN算法不需要计算特征值特征向量之类的问题，只需要进行简单的加法乘法运算便能提取到网络中的社团结构。因此，所提算法特别是DHNN算法具有强大的计算能力。可以提取出规模更大的复杂网络中的社团结构。