社会网络中社团核心的发现是目前研究界和产业界关注的热点问题。现有算法把社团处理为特定约束下的图后,将社团核心发现规约为紧凑子图的提取,但对于动态约束下的多图效率很低。为此,提出基于图密度的动态约束社团核心挖掘方法——CCDCD(community core mining with dynamic constrains based on graphdensity)。主要工作包括:(1)分析约束条件变化下,关于社团的图密度变化规律;(2)提出约束变化下,社团图密度的近似求解算法DCUE(dynamic calculation based on updated edges);(3)通过实验表明,与现有方法相比,对较大规模的社团图,新方法能获得更好解,降低时间消耗80%以上;验证了动态约束能发现更多有兴趣度的知识。
基因表达式编程(GEP)融合了遗传算法和遗传编程的优点,进化速度提高了2～4个数量级,但在解决复杂问题时仍存在早熟现象.为解决这个问题,做了下列工作:(1)定义了种群多样性度量和选择压力,分析了传统GEP算法选择操作的不足;(2)把聚类思想引入选择操作中,提出了基于聚类竞争GEP算法CC-GEP(GEP based on Cluster Competition),证明了CC-GEP能自适应地根据种群多样性调节选择压力;(3)实验表明CC-GEP比传统GEP成功率高36%,模型精度R-square提高8%,多次运行的最优适应度平均值提高了8%,说明CC-GEP算法更加稳定,较好地克服了GEP的早熟问题.
