基于智能算法的复杂网络社区挖掘研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题科学意义及应用前景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 复杂网络研究现状 | 第9-10页 |
| 1.2.2 社区挖掘研究现状 | 第10-13页 |
| 1.3 社区挖掘研究面临的问题和困难 | 第13-14页 |
| 1.4 本文研究重点及内容安排 | 第14-15页 |
| 2 复杂网络基础理论 | 第15-33页 |
| 2.1 复杂网络 | 第15-20页 |
| 2.1.1 网络科学研究简史 | 第15-16页 |
| 2.1.2 复杂网络基本概念 | 第16-20页 |
| 2.2 社区结构 | 第20-22页 |
| 2.2.1 社区结构定义及研究方向 | 第20-21页 |
| 2.2.2 社区结构分类 | 第21-22页 |
| 2.3 社区结构的度量描述 | 第22-26页 |
| 2.3.1 模块度函数 | 第22-23页 |
| 2.3.2 标准化互信息 | 第23页 |
| 2.3.3 F-score度量 | 第23-24页 |
| 2.3.4 中心性度量 | 第24-26页 |
| 2.4 社区挖掘常见算法 | 第26-32页 |
| 2.4.1 图分割算法 | 第26-27页 |
| 2.4.2 聚类算法 | 第27-29页 |
| 2.4.3 基于网络动力学特性的算法 | 第29-30页 |
| 2.4.4 模块度优化算法 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 基于改进离散粒子群算法的社区挖掘 | 第33-46页 |
| 3.1 群智能算法统一框架 | 第33-34页 |
| 3.2 基本粒子群算法 | 第34-35页 |
| 3.2.1 粒子群算法的数学模型 | 第34页 |
| 3.2.2 粒子群算法流程 | 第34-35页 |
| 3.3 改进的离散粒子群算法 | 第35-40页 |
| 3.3.1 粒子的编码方式 | 第35-37页 |
| 3.3.2 种群初始化 | 第37页 |
| 3.3.3 更新操作 | 第37-39页 |
| 3.3.4 克隆选择 | 第39-40页 |
| 3.3.5 IPSO算法流程图 | 第40页 |
| 3.4 仿真实验与分析 | 第40-45页 |
| 3.4.1 PSO算法改进实验 | 第41-42页 |
| 3.4.2 与现有算法对比实验 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 4 基于自适应进化蝙蝠算法的社区挖掘 | 第46-60页 |
| 4.1 基本蝙蝠算法 | 第46-50页 |
| 4.1.1 蝙蝠算法的仿生学原理 | 第46-47页 |
| 4.1.2 蝙蝠算法的数学模型和流程 | 第47-49页 |
| 4.1.3 蝙蝠算法与粒子群算法对比 | 第49-50页 |
| 4.2 自适应进化蝙蝠算法 | 第50-53页 |
| 4.2.1 速度更新 | 第50页 |
| 4.2.2 位置更新 | 第50-52页 |
| 4.2.3 随机扰动 | 第52页 |
| 4.2.4 AEBA流程图 | 第52-53页 |
| 4.3 仿真实验与分析 | 第53-59页 |
| 4.3.1 真实世界网络实验与分析 | 第53-56页 |
| 4.3.2 人工合成网络实验与分析 | 第56-57页 |
| 4.3.3 可视化实验与分析 | 第57-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 结论 | 第60-62页 |
| 5.1 工作总结 | 第60页 |
| 5.2 展望方向 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 附录 | 第68页 |
| A 作者在攻读学位期间论文成果 | 第68页 |
| B 作者在攻读学位期间参与的科研项目 | 第68页 |
