基于启发式多层学习Memetic计算的复杂网络结构与行为分析

This proposal mainly focuses on the community detection, the structural balance computation and transformation and the structural robustness optimization in complex networks. To detect communities structures from large-scale complex networks, a multi-level learning model will be designed. By establishing heuristic multi-level learning memetic algorithms with enhanced local search and parameter-adaptive learning ability, the project will well discover knowledge of complex networks topologies. By establishing the analysis model of structural balance, unbalanced networks will be converted into balanced ones by transforming the identified unbalanced relationships. With the proposed multi-level target attack models, this project will design structural robustness oriented heuristic methods for changing network topologies which could enhance the abilities of complex networks to resist unpredictable attacks. Besides, the effectiveness and the advantages of the models and algorithms will be validated.

针对复杂网络的社区结构挖掘、结构平衡的计算与转换以及结构鲁棒性的行为优化展开研究。建立适用于大规模复杂网络社区结构检测的多层学习模型，提出局部搜索能力强、具备参数自适应学习能力的启发式多层学习Memetic算法，有效挖掘复杂网络拓扑结构知识。建立复杂网络结构平衡性分析模型，挖掘网络社区内部的不平衡因素，实现复杂网络从非平衡结构向平衡结构的转换。构建多层定向攻击模型，建立基于结构鲁棒性增强的启发式网络拓扑结构微调方法，提高复杂网络抵抗外界攻击的能力。此外，分析各模型对算法性能的影响，验证模型和算法的有效性与先进性。

针对复杂网络结构与行为分析中演化算法的搜索效率问题展开研究，构造局部搜索能力强的多层学习模型，设计处理复杂网络社区结构检测的启发式演化计算高效优化方法，有效利用粗糙模糊聚类理论处理不确定信息的优势，提出基于混合聚类的重叠社区检测方法，实现了复杂网络拓扑结构的高效分析；改进现有能量函数，构建符号网络结构平衡转换问题的单目标优化模型，提出处理网络结构平衡问题的启发式memetic计算方法，实现了复杂网络结构平衡的有效分析；研究复杂网络恶意攻击、随机攻击等多种攻击模式，构造模拟多种攻击模式的单目标和多目标优化模型，设计一种基于向量引导的局部搜索策略，提出基于启发式演化计算的复杂网络结构鲁棒性优化算法；充分利用超启发技术的搜索高效性，构造一种高层启发式空间和底层解空间结合的双进化搜索框架，设计并实现了一种针对组合优化问题的超启发多目标演化计算优化方法；充分利用搜索过程中个体隐含的特殊知识，设计了一种简单有效的知识迁移策略，通过差分进化框架，提出并实现了一种高效的差分进化多任务优化算法。研究成果在国内外权威期刊和国际知名会议上共计发表论文12篇，其中SCI检索论文7篇，EI检索论文5篇。