面向符号网络结构挖掘的社会进化学习模型及动态多尺度优化算法

With the rapid development of information technology and network science, it has been a popular topic that how to achieve high-efficiency perception and comprehensive understanding for complex network big data. Signed network community structure and balance structure are closely associated and influence each other. However, the two parts were discussed independently in most of traditional method with high computational complexity and weak learning capacity. .. In this project, the issue of signed network structure mining was modedled as an adjustable dynamic collaborative optimization problem. The multiscale structure co-evolutionary model was proposed for solving community structure and balance structure coordinated optimization problem. By utilizing the social computing theory, such as strong-weak association rules, and network structural information, the community structure and balanced structure could be jointly analyzed and dynamically optimized based on the social learning dynamic multiscale evolutionary optimization algorithm. Finally, it would achieved the goals for the network structure effective and efficient mining... The inherent relationship between community structure and balanced structure could be revealed via the global search accuracy of evolutionary algorithm and the rapid knowledge guides of social learning. This project brings new theoretical foundation and novel method for the network science data structured interpretation.

随着信息技术与网络科学的发展，如何高效感知与全面理解复杂网络大数据成为当前研究热点。符号网络的社区结构和平衡结构是系统在中尺度和大尺度下紧密关联、相互影响的二大属性，目前面临网络结构分析模式单一、局部学习能力弱、计算复杂度高等亟待解决的问题。.. 本项目将符号网络结构挖掘问题建模为一个动态协同优化问题，建立多尺度结构协同优化框架；结合扩展的强弱关联、等级传播等社会科学计算理论，构造社会进化学习模型；利用和开发网络自身蕴含的社会属性知识引导种群进化，建立社会学习与优化问题间的联系，提出社会学习动态多尺度优化算法；实现代价最小化下的网络结构动态演化及平衡预测，最终全面、高效、准确地挖掘符号网络多尺度网络结构。.. 新模型算法充分结合了进化计算的全局搜索准确性和社会学习的知识引导快速性，将揭示社区结构与平衡结构的内在相关性，为高效地解译复杂社会系统的多尺度网络结构带来新的理论依据和技术支撑。

针对符号网络数据结构挖掘问题，本项目通过联合进化优化理论和社会计算理论，对符号网络在中尺度和大尺度测度下的社区结构分析与平衡结构演化问题进行了建模和深入分析，突破了传统优化方法的局限性，建立了面向符号网络社区结构与平衡结构协同优化的进化计算框架，结合了强弱关联理论等社会计算方法设计了启发式进化学习优化模型，构造了高效的协同社会学习进化优化算法；进一步，扩展了经典的符号网络能量函数，把符号网络中结构平衡问题转换为基于扩展的能量函数的优化问题，在此基础上，找到了系统在多尺度结构下的潜在紧张和冲突关系，以最小化代价实现了具有社区属性的网络平衡结构的动态优化；最终，实验仿真结果表明，本项目提出的社会学习进化优化算法有效地挖掘了符号网络的多尺度结构，探明了社区结构与平衡结构间的内在相关性，为网络科学的结构分析与控制应用提供了理论依据。本项目在国际重要期刊和会议上发表了论文13篇，联合培养及独立培养了共计2名博士生和5名硕士生。综上所述，项目的研究成果为符号网络数据结构的知识解译提供了理论基础和技术支撑。