多重网络下社区结构的鲁棒性分析模型与优化算法研究

Multiplex networks can effectively reflect the characteristics of modern complex systems, and the studies on the robustness of community structures provide the theoretical and technical support for the understanding of the potential function and its safe execution when the systems suffer from damages. The heterogeneity, redundancy and correlation of multiplex networks will cause the distortion and complexity for the analyses of structures and behaviors, which influence the detection of potential community structures and their robustness optimization. To solve those issues, we will do the following studies. Firstly, we study the design of community detection algorithm based on the multi-level dimension reduction in multiplex networks, which can break through the limitation of traditional ways for dealing with structural redundancy and heterogeneous. Then, according to the detected community structures, we analyze their robustness and construct a robustness optimization model, which can break through the limitations of the classical robustness analyses. Finally, by combing with the structure and knowledge of multiplex networks, we present an adaptive and intelligent Memetic algorithm to solve the modeled optimization problem, providing a more effective robustness optimization solution. This project will make contributions of theory and algorithm on the redundancy processing, community detection and robustness optimization. The research results will guarantee the effective, robust and safe operation of the systems' function and promote the rapid development of the analyses of big network data.

多重网络可有效表达现代复杂系统中的特性，其社区结构鲁棒性研究为理解系统内在功能、保障在受损情况下的有效与安全运用提供理论与技术支撑。多重网络表现出异质、冗余与关联特性，将造成其结构及行为分析的失真与复杂化，对社区结构检测及鲁棒性行为优化产生新的影响。为解决此问题，本项目拟进行以下研究：1）多重网络在多层次降维下的社区结构检测方法研究，突破传统的结构冗余与异质处理方法，实现系统功能的检测；2）根据检测到的社区结构，进行鲁棒性分析与优化模型研究，突破传统的基于单一结构研究的局限性，从社区结构角度探索系统的功能鲁棒性；3）基于所建立优化模型，结合多重网络的结构知识，研究求解模型的自适应智能Memetic算法，提供更有效的鲁棒性优化方案。本项目将在多重网络的冗余处理、社区检测、鲁棒性优化方面取得理论和算法上的创新性研究成果。其成果将保障系统功能有效与安全的运行，推动网络大数据分析领域的快速发展。

本项目针对复杂系统数据结构中规模大、维度高、冗余性强、结构分析难、鲁棒性差等问题，研究了复杂系统的多重网络表达方式、内在的功能社区结构、节点-社区级联失效机制，设计智能学习Memetic鲁棒性优化算法，构建具有鲁棒性强的多重网络复杂系统。针对复杂系统数据结构中规模大、维度高、冗余性强等问题，本项目研究了基于分布式多平台的多重网络表达方式，提出了期望最大化网络结构推断算法，实现了大规模复杂系统去冗余化的多重网络结构表达以及社区链路结构分析；针对复杂系统社区结构其控制分析难问题，本项目提出了自适应智能学习Memetic算法，实现了社区功能结构的快速精准检测。针对复杂系统功能鲁棒性差等问题，本项目提出了多重网络节点-社区级联失效模型，理论上证明了多重网络社区功能对随机节点损坏的脆弱性，并提出了基于模拟退火的网络鲁棒性增强算法，从而显著提升了复杂系统的鲁棒性分析与增强能力。项目构建了多重网络表达建模、网络结构分析和鲁棒性优化算法研究的理论与应用框架，并围绕项目目标在隐私保护与协同感知领域进行了拓展，为未来差异化隐私保护下的网络多结构功能与分析应用研究奠定了基础。