[發明專利]一種基于Memetic算法的網絡表示學習方法

在審

• 申請號: 201811598872.7
• 申請日: 2018-12-26
• 公開（公告）號: CN109740722A
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 公茂果;陳程;王善峰;解宇;武越;張明陽
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06K9/62
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 孫雅靜

1.一種基于Memetic算法的網絡表示學習方法，其特征在于，包括：

步驟一：輸入描述網絡節點之間連接信息的鄰接矩陣A，網絡節點個數為n，向量維度為d；根據網絡節點個數n和向量維度d隨機產生實數編碼個體組成初始種群P₀；

步驟二，評價初始種群P₀實數編碼個體的適應度函數值；采用Memetic算法、以實數編碼個體的適應度函數值為依據對初始種群P₀每個實數編碼個體進行迭代優化；將迭代優化后種群中適應度函數值最高的實數編碼個體輸出作為網絡節點的表示向量集合；

所述的迭代優化包括依次對初始種群P₀中的實數編碼個體進行交叉概率迭代優化、種群隨機數的變異概率迭代優化和局部搜索迭代優化；

所述的局部搜索迭代優化包括根據鄰接矩陣A獲得經過交叉概率迭代優化和變異概率迭代優化后的實數編碼個體對應的網絡節點的中心節點，每個網絡節點向中心節點靠近。

2.根據權利要求1所述的基于Memetic算法的網絡表示學習方法，其特征在于，所述的中心節點包括鄰居中心節點和同類別中心節點；

當種群迭代代數大于種群最大迭代代數的0.8倍時，既進行鄰居中心節點的迭代優化又進行同類別中心節點的迭代優化；

當種群迭代代數小于等于種群最大迭代代數的0.8倍時，僅進行鄰居中心節點的迭代優化。

3.根據權利要求1所述的基于Memetic算法的網絡表示學習方法，其特征在于，

所述的鄰居中心節點包括獲得每個網絡節點的表示向量集合N和每個網絡節點的鄰居節點的度集合D，并對D進行歸一化處理得到D_norm；對表示向量集合N以權值D_norm進行加權求和得到每個網絡節點的鄰居中心節點C；

同類別中心節點：獲得當前實數編碼個體的聚類結果，對于一個實數編碼個體的基因來說，同類別的基因用節點表示向量表示，計算同類別節點的表示向量平均值得到該類節點的中心節點向量即為同類別中心節點。

4.根據權利要求1所述的基于Memetic算法的網絡表示學習方法，其特征在于，所述的鄰居中心節點的迭代優化為：C鄰居中心節點，pbest＝[pbestⁱ](i＝1，2...，n)為當前迭代過程種群中適應度值最大的個體所代表的節點表示向量集合，為經過鄰居中心節點迭代優化后的節點表示向量集合；

所述的同類別中心節點的迭代優化為：C_Ω表示同類別中心節點，為經過同類別中心節點迭代優化后的節點表示向量；

局部搜索優化參數η₁和η₂，η₁＝0.1～0.7，η₂＝0.03～0.1。