| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 网络建模 | 第15-17页 |
| 1.2.2 网络优化 | 第17-18页 |
| 1.2.3 推荐系统 | 第18-19页 |
| 1.3 智能优化算法 | 第19-21页 |
| 1.3.1 模拟退火算法 | 第19-20页 |
| 1.3.2 进化算法 | 第20页 |
| 1.3.3 蚁群算法 | 第20页 |
| 1.3.4 粒子群算法 | 第20-21页 |
| 1.3.5 神经网络优化算法 | 第21页 |
| 1.4 论文的主要工作和内容安排 | 第21-23页 |
| 第二章 复杂网络优化理论 | 第23-31页 |
| 2.1 网络的结构特征 | 第23-26页 |
| 2.1.1 度及其分布 | 第23-24页 |
| 2.1.2 介数中心性 | 第24-25页 |
| 2.1.3 群聚系数 | 第25-26页 |
| 2.2 网络攻击与度量 | 第26-28页 |
| 2.2.1 网络攻击类型 | 第26-27页 |
| 2.2.2 网络性能度量指标 | 第27-28页 |
| 2.3 网络鲁棒性优化算法 | 第28-29页 |
| 2.3.1 单一网络的鲁棒性优化 | 第28-29页 |
| 2.3.2 耦合网络的鲁棒性优化 | 第29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 改进的模拟退火算法提高无标度网络鲁棒性与有效性 | 第31-47页 |
| 3.1 引言 | 第31-33页 |
| 3.1.1 无标度网络模型（BA） | 第31-32页 |
| 3.1.2 攻击方式 | 第32-33页 |
| 3.1.3 模拟退火算法介绍 | 第33页 |
| 3.2 构造新的目标函数 | 第33-35页 |
| 3.2.1 引言 | 第33-34页 |
| 3.2.2 新目标函数的构造 | 第34-35页 |
| 3.3 构建高效搜索算子 | 第35-37页 |
| 3.3.1 随机搜索算子 | 第35页 |
| 3.3.2 构造启发式搜索算子 | 第35-37页 |
| 3.3.3 构造混合搜索算子 | 第37页 |
| 3.4 改进的模拟退火算法实现 | 第37-39页 |
| 3.4.1 数学优化模型 | 第38页 |
| 3.4.2 算法的实现步骤 | 第38-39页 |
| 3.5 实验结果及性能分析 | 第39-46页 |
| 3.5.1 虚拟BA网络 | 第40-43页 |
| 3.5.2 真实世界网络 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于信息核的推荐系统鲁棒性增强算法 | 第47-65页 |
| 4.1 信息核 | 第47-49页 |
| 4.1.1 信息核的作用 | 第47-48页 |
| 4.1.2 信息核的提取方法 | 第48-49页 |
| 4.2 改进的提取核方法 | 第49-51页 |
| 4.2.1 Rank方法的可改进点 | 第49-50页 |
| 4.2.2 改进的IRank方法具体实现 | 第50-51页 |
| 4.3 基于信息核的网络传播推荐算法 | 第51-55页 |
| 4.3.1 网络传播推荐算法 | 第51-54页 |
| 4.3.2 基于IRank信息核的网络传播算法实现 | 第54-55页 |
| 4.4 实验结果及性能分析 | 第55-63页 |
| 4.4.1 数据集介绍 | 第55-56页 |
| 4.4.2 性能评价指标 | 第56页 |
| 4.4.3 实验结果与分析 | 第56-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 结论与展望 | 第65-67页 |
| 5.1 研究结论 | 第65页 |
| 5.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |