專利名稱：：基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域，是一種基于智能代理系統(tǒng)的分散式網(wǎng)絡(luò)聚類方法，特別適用于分布式復(fù)雜網(wǎng)絡(luò)聚類問(wèn)題。
背景技術(shù)：
：不同種類的社會(huì)網(wǎng)絡(luò)具有完全不同的功能。然而，研究發(fā)現(xiàn)，現(xiàn)存的大多數(shù)社會(huì)網(wǎng)絡(luò)雖然具有完全不同的拓?fù)浣Y(jié)構(gòu)和功能，但卻具有一些非常相似的統(tǒng)計(jì)特性，如小世界性，無(wú)標(biāo)度性，網(wǎng)絡(luò)傳遞性和網(wǎng)絡(luò)模塊性。這些特性對(duì)于理解和分析復(fù)雜網(wǎng)絡(luò)、挖掘隱藏在其中的規(guī)律具有十分重要的意義。例如，借助于網(wǎng)絡(luò)模塊性，能夠理解一個(gè)復(fù)雜的社會(huì)網(wǎng)絡(luò)是如何基于一些基本網(wǎng)絡(luò)構(gòu)造模塊(如網(wǎng)絡(luò)粒子(networkmotif)禾口網(wǎng)絡(luò)簇(networkcluster或networkcommunity))層次化地組合而成的。研究表明，大多數(shù)社會(huì)網(wǎng)絡(luò)都是由稱為網(wǎng)絡(luò)簇的基本網(wǎng)絡(luò)模塊以層次化的方式構(gòu)建而成，并具有簇內(nèi)社會(huì)交互強(qiáng)而簇間社會(huì)交互相對(duì)較弱的特點(diǎn)。網(wǎng)絡(luò)聚類分析對(duì)于深入理解網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、挖掘隱含模式和預(yù)測(cè)網(wǎng)絡(luò)動(dòng)態(tài)變化都具有十分重要的意義。除社會(huì)網(wǎng)絡(luò)分析外，一旦問(wèn)題空間被建模成網(wǎng)絡(luò)，很多問(wèn)題都可以轉(zhuǎn)變?yōu)榫W(wǎng)絡(luò)聚類問(wèn)題。例如，用于預(yù)測(cè)蛋白質(zhì)(基即功能的蛋白質(zhì)(基因)網(wǎng)絡(luò)聚類，基于鏈接結(jié)構(gòu)分析的Web網(wǎng)頁(yè)聚類，基于網(wǎng)絡(luò)的圖像分割和用于延長(zhǎng)網(wǎng)絡(luò)壽命的分布式傳感器網(wǎng)絡(luò)聚類等。網(wǎng)絡(luò)聚類問(wèn)題已被證明是NP完全問(wèn)題，現(xiàn)有的工作都是試圖給出一種快速、高效的近似算法。根據(jù)基本工作原理，現(xiàn)有主要的網(wǎng)絡(luò)聚類方法可歸結(jié)為如下四類1、基于圖論的聚類算法，如譜圖分割算法，MFC算法和HITS算法；2、層次聚類方法，如Girvan-Newman算法和其改進(jìn)算法；3、貪心優(yōu)化方法，如Kernighan-Lin算法，快速Newman算法和模擬退火算法等；4、基于隨機(jī)過(guò)程的聚類方法，如FEC算法，NCMA算法和基于隨機(jī)游走相似度的聚類算法等。已有的網(wǎng)絡(luò)聚類方法大都采用集中式的處理策略。為了聚類一個(gè)給定的網(wǎng)絡(luò)，這些集中式的方法必須事先獲得網(wǎng)絡(luò)的全局拓?fù)浣Y(jié)構(gòu)。然而，對(duì)于規(guī)模大、地理上分布或控制上分散的分布式網(wǎng)絡(luò)，要獲得其全局拓?fù)浣Y(jié)構(gòu)是非常困難甚至不可能的。例如，為了聚類WWW網(wǎng)絡(luò)而企圖事先獲得其完整的網(wǎng)絡(luò)結(jié)構(gòu)是不現(xiàn)實(shí)的。再如，為聚類P2P網(wǎng)絡(luò)或傳感器網(wǎng)絡(luò)而指定在某節(jié)點(diǎn)上運(yùn)行一個(gè)集中式聚類算法的策略將不可避免的破壞網(wǎng)絡(luò)節(jié)點(diǎn)的平等性。同樣，對(duì)于節(jié)點(diǎn)頻繁動(dòng)態(tài)更新的網(wǎng)絡(luò)，需要不斷獲得全局拓?fù)浣Y(jié)構(gòu)進(jìn)行網(wǎng)絡(luò)聚類的方法顯然并不合適。
發(fā)明內(nèi)容本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于智能代理系統(tǒng)的分散式網(wǎng)絡(luò)聚類方法，即在不需要全局網(wǎng)絡(luò)信息的情況下，分布在網(wǎng)絡(luò)中的多個(gè)智能代理基于局部感知信息、采用自聚合和自組織的方式協(xié)作挖掘網(wǎng)絡(luò)簇結(jié)構(gòu)，在本發(fā)明中，智能代理以完全并發(fā)和異步的方式運(yùn)行而無(wú)需借助任何同步控制機(jī)制。解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法，其特征在于包括以下步驟定義網(wǎng)絡(luò)聚類評(píng)價(jià)函數(shù)；變量、移動(dòng)代理初始化；獲取移動(dòng)代理當(dāng)前所在節(jié)點(diǎn)的標(biāo)識(shí)符；更新節(jié)點(diǎn)特征值；更新所有鄰居局部沖突函數(shù)值；選擇新的鄰居節(jié)點(diǎn)；判斷當(dāng)前移動(dòng)代理移動(dòng)步數(shù)是否大于規(guī)定的最大步數(shù)，如果是，該移動(dòng)代理休眠；否則移動(dòng)代理移動(dòng)到下一節(jié)點(diǎn)，獲取移動(dòng)代理當(dāng)前所在節(jié)點(diǎn)的標(biāo)識(shí)符；判斷是否所有移動(dòng)代理都已經(jīng)休眠，如果不是，等待，否則，方法結(jié)束。本發(fā)明運(yùn)用多智能代理和移動(dòng)代理共同完成網(wǎng)絡(luò)聚類，多智能代理代表網(wǎng)絡(luò)中的多個(gè)節(jié)點(diǎn)，每個(gè)智能代理通過(guò)管理一個(gè)三元組來(lái)刻畫(huà)每個(gè)節(jié)點(diǎn)的特征；移動(dòng)代理在網(wǎng)絡(luò)節(jié)點(diǎn)間移動(dòng)，每到一個(gè)新節(jié)點(diǎn)即更改該節(jié)點(diǎn)三元組的信息，當(dāng)所有移動(dòng)代理穩(wěn)定下來(lái)，不在網(wǎng)絡(luò)上移動(dòng)時(shí)，聚類過(guò)程結(jié)束。提出了一個(gè)新的網(wǎng)絡(luò)聚類評(píng)價(jià)函數(shù),，采用局部評(píng)價(jià)的疊加來(lái)評(píng)估一個(gè)給定的劃分是否為一個(gè)最優(yōu)網(wǎng)絡(luò)簇結(jié)構(gòu)，適用于分散的網(wǎng)絡(luò)聚類方法。定義了一組移動(dòng)代理的動(dòng)作，使智能代理可以僅僅基于局部感知信息，采用自聚合和自組織的方式協(xié)作挖掘網(wǎng)絡(luò)簇結(jié)構(gòu)。綜上所述，本發(fā)明為社會(huì)網(wǎng)絡(luò)聚類提供一種全新高效的方法，適用于傳統(tǒng)方法無(wú)法解決的分布式復(fù)雜網(wǎng)絡(luò)聚類問(wèn)題。圖l是本發(fā)明實(shí)施方式的流程圖；圖2—圖7是采用不同的基準(zhǔn)網(wǎng)絡(luò)對(duì)基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法進(jìn)行的測(cè)試與評(píng)價(jià)，借助圖像分割問(wèn)題形象地展示了該方法中智能代理的自聚合和自組織行為；圖2是WayneZachary在二十世紀(jì)七十年代建立的空手道俱樂(lè)部網(wǎng)絡(luò)圖；圖3是基于Agent系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法計(jì)算的空手道俱樂(lè)部網(wǎng)絡(luò)簇結(jié)構(gòu)圖；圖4(a)是2000賽季美國(guó)足球聯(lián)盟網(wǎng)絡(luò)的鄰接矩陣圖；圖4(b)是以矩陣形式表示的基于Agent系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法找到的最優(yōu)12-劃分圖；圖5(a)是分布式智能PDA網(wǎng)絡(luò)的鄰接矩陣圖，該網(wǎng)絡(luò)包含82個(gè)節(jié)點(diǎn)和124條邊；圖5(b)是以矩陣形式表示的基于Agent系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法找到的最優(yōu)5-劃分圖；圖5(c)是包含Miller的簇結(jié)構(gòu)圖；圖6是應(yīng)用基于Agent系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法進(jìn)行圖像分割；圖7是基于Agent系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法執(zhí)行圖像分割過(guò)程的快照，每10次移動(dòng)和更新對(duì)應(yīng)一個(gè)快照。具體實(shí)施方式下面將對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。參照?qǐng)Dl，該實(shí)施方式流程開(kāi)始于步驟101;步驟102定義一個(gè)新的網(wǎng)絡(luò)聚類評(píng)價(jià)函數(shù)F，采用局部評(píng)價(jià)的疊加來(lái)評(píng)估一個(gè)給定的/t-劃分是否為一個(gè)最優(yōu)網(wǎng)絡(luò)簇結(jié)構(gòu)；將一個(gè)網(wǎng)絡(luò)建模成一個(gè)圖G=(F，￡)，r表示節(jié)點(diǎn)集，￡表示邊集。圖G的一個(gè)^劃分定義為尸=(^,cv，其中連通分量c;,…A滿足^q^和Sq=0如果連通分量?jī)?nèi)邊的個(gè)數(shù)遠(yuǎn)遠(yuǎn)多于連通分量間邊的個(gè)數(shù)，則P稱為一個(gè)網(wǎng)絡(luò)簇結(jié)構(gòu)。令J為圖G的鄰接矩陣，尸為圖G的一個(gè)l劃分，則關(guān)于尸的評(píng)價(jià)函數(shù)定義為1，v,.和、屬于同一個(gè)連通分鷺pgy=io,v,鄰、.屬于不同的連通分量步驟103，初始化變量和移動(dòng)代理；將節(jié)點(diǎn)i(v,，ia^)的特征值A(chǔ)初始化為1和^之間的隨機(jī)數(shù)；(A為待劃分簇的個(gè)數(shù))生成"個(gè)移動(dòng)Agent(..A,，并將它們隨機(jī)地分配到網(wǎng)絡(luò)節(jié)點(diǎn)上；對(duì)于Z=l，2，，歷，置計(jì)數(shù)變量力叩&—0;接下來(lái)，4…4(^附)并行地循環(huán)執(zhí)行如下動(dòng)作直至4…A全部處于休眠狀態(tài)為止；步驟104，獲取移動(dòng)代理當(dāng)前所在節(jié)點(diǎn)的標(biāo)識(shí)符A歩驟105，更新節(jié)點(diǎn)特征值；若概率2^0C,則更新A(使局部最小化)；否則更新A(減小C(力)；((X為事先給定的擾動(dòng)概率值)步驟106，用A值更新i所有鄰居的局部沖突函數(shù)值(比如鄰居J對(duì)應(yīng)的cO^值)；步驟107，選擇新的鄰居節(jié)點(diǎn)；若概率r^3，則選擇具有最大值的鄰居>，否則隨機(jī)選擇一個(gè)鄰居((3為事先給定的擾動(dòng)概率值)步驟108，判斷當(dāng)前移動(dòng)代理移動(dòng)步數(shù)是否大于/fo/^值，如果是，該移動(dòng)代理休眠;否則移動(dòng)代理移動(dòng)到鄰居J'，重復(fù)步驟104(#，s為規(guī)定的移動(dòng)Agent最大步數(shù))；步驟109，判斷是否所有移動(dòng)代理都已經(jīng)休眠，如果不是，等待，重復(fù)執(zhí)行步驟109;否則，轉(zhuǎn)入步驟110;基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法流程結(jié)束于步驟110;當(dāng)4…A全部處于休眠狀態(tài)，P,值即為節(jié)點(diǎn)/所處的簇。以下通過(guò)實(shí)驗(yàn)例進(jìn)一步說(shuō)明本發(fā)明方法的效果采用不同的基準(zhǔn)網(wǎng)絡(luò)對(duì)基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法進(jìn)行了測(cè)試與評(píng)價(jià)，借助圖像分割問(wèn)題形象地展示了該方法中智能代理的自聚合和自組織行為。實(shí)驗(yàn)例1聚類空手道俱樂(lè)部網(wǎng)絡(luò)圖2是一個(gè)空手道俱樂(lè)部網(wǎng)絡(luò)，在多種社會(huì)因素作用下，該俱樂(lè)部最終分裂成兩個(gè)互不相交的獨(dú)立團(tuán)體，分別由行政主管和教練領(lǐng)導(dǎo)。簇A對(duì)應(yīng)由行政主管(由節(jié)點(diǎn)1表示)領(lǐng)導(dǎo)的群體，而簇B對(duì)應(yīng)由教練(由節(jié)點(diǎn)33表示)領(lǐng)導(dǎo)的群體。圖3給出了基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法得到的空手道倶樂(lè)部網(wǎng)絡(luò)的一個(gè)最優(yōu)2-劃分。與圖2所示的實(shí)際劃分相比，只有節(jié)點(diǎn)10被錯(cuò)分。實(shí)際上，節(jié)點(diǎn)10的歸屬具有模糊性，因?yàn)樗鼘?duì)2個(gè)簇發(fā)出相同的邊數(shù)。實(shí)驗(yàn)例2聚類足球聯(lián)盟網(wǎng)絡(luò)圖4(a)給出了2000賽季美國(guó)大學(xué)足球聯(lián)盟網(wǎng)絡(luò)的鄰接矩陣。該網(wǎng)絡(luò)包含115個(gè)節(jié)點(diǎn)和613條邊。網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)表示一支大學(xué)足球隊(duì)，每條邊表示兩個(gè)球隊(duì)間進(jìn)行的一場(chǎng)比賽。根據(jù)地理位置，全部球隊(duì)組織成12個(gè)聯(lián)盟。根據(jù)比賽規(guī)則，聯(lián)盟內(nèi)的比賽遠(yuǎn)遠(yuǎn)多于聯(lián)盟間的比賽。因此，按照比賽的關(guān)系，12個(gè)聯(lián)盟對(duì)應(yīng)12個(gè)網(wǎng)絡(luò)簇。由于具有非常明確的簇結(jié)構(gòu)，該網(wǎng)絡(luò)成為測(cè)試網(wǎng)絡(luò)聚類算法有效性的基準(zhǔn)網(wǎng)絡(luò)，被廣泛采用。圖4(b)以矩陣的方式給出了基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類算法為該網(wǎng)絡(luò)找到的一個(gè)最優(yōu)12-劃分。通過(guò)重新安排原鄰接矩陣的行和列，將同簇節(jié)點(diǎn)排列在一起，可以得到能夠清晰表示網(wǎng)絡(luò)簇結(jié)構(gòu)的轉(zhuǎn)換鄰接矩陣。如果網(wǎng)絡(luò)有分明的簇結(jié)構(gòu)，其對(duì)應(yīng)的轉(zhuǎn)換矩陣應(yīng)該是一個(gè)近似的對(duì)角矩陣，主對(duì)角線的每一個(gè)塊矩陣恰好對(duì)應(yīng)一個(gè)網(wǎng)絡(luò)簇。如圖4(b)所示，該轉(zhuǎn)換矩陣是一個(gè)相當(dāng)規(guī)則的對(duì)角陣，分布在主對(duì)角線區(qū)域的非零元素(對(duì)應(yīng)簇內(nèi)邊)遠(yuǎn)遠(yuǎn)多于散落在主對(duì)角線區(qū)域之外的非零元素(對(duì)應(yīng)簇間邊)。分析比較后發(fā)現(xiàn)，基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法得到的12-劃分與12個(gè)實(shí)際的足球聯(lián)盟基本吻合，只有8支隸屬于3個(gè)相對(duì)獨(dú)立的聯(lián)盟的球隊(duì)被錯(cuò)分。錯(cuò)分的原因在于，這些球隊(duì)與聯(lián)盟外球隊(duì)的比賽過(guò)多。實(shí)驗(yàn)例3分布式智能PDA網(wǎng)絡(luò)本節(jié)使用智能PDA(PortableDigitalAssistant,個(gè)人數(shù)字助理)網(wǎng)絡(luò)(如圖5(a)所示)測(cè)試基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法聚類分布式網(wǎng)絡(luò)的有效性。在該網(wǎng)絡(luò)中，節(jié)點(diǎn)表示個(gè)人攜帶的智能PDA，邊表示PDA間的通信頻度。建立推薦系統(tǒng)是聚類該分布式網(wǎng)絡(luò)的應(yīng)用之一。推薦系統(tǒng)中的每個(gè)智能PM能夠根據(jù)它在一段時(shí)間內(nèi)累計(jì)的通信記錄自動(dòng)地向其所有者推薦潛在的商業(yè)伙伴。例如，當(dāng)Miller的智能PDA發(fā)現(xiàn)其隸屬于某個(gè)簇后(該簇內(nèi)PDA間的通信頻度高于以往任何時(shí)段)，將會(huì)把該簇內(nèi)的所有成員推薦給Miller.Miller在推薦名單選擇有潛在合作機(jī)會(huì)的商業(yè)伙伴。圖5(b)給出了以矩陣形式表示的基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類算法找到的最優(yōu)5-劃分。圖5(c)給出Miller所在的簇。如圖所示，除3個(gè)直接鄰居外，PDA還將向他推薦另外11個(gè)他或許不認(rèn)識(shí)的潛在合作者。實(shí)驗(yàn)例4基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法的自聚合和自組織特性本節(jié)借助圖像分割問(wèn)題討論基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法中智能代理的自聚合和自組織行為。當(dāng)圖像被建模成網(wǎng)絡(luò)后，圖像分割任務(wù)就轉(zhuǎn)換為相應(yīng)的網(wǎng)絡(luò)聚類問(wèn)題。圖6(a)所示的簡(jiǎn)單圖像由8個(gè)隨機(jī)產(chǎn)生的墨滴組成；圖6(b)給出其相應(yīng)的網(wǎng)絡(luò)，該網(wǎng)絡(luò)按照以下方法生成(1)每個(gè)像素看作是一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)；(2)對(duì)于每一對(duì)像素(a，乂)和(a力)，根據(jù)公式r7二exp((Or廣x^+(,-j0)"/c)計(jì)算節(jié)點(diǎn)i和節(jié)點(diǎn)力司的權(quán)值，其中c是一個(gè)預(yù)定義的常數(shù)；(3)連接權(quán)值高于平均值的節(jié)點(diǎn)對(duì)。圖6(c)給出了應(yīng)用基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法經(jīng)過(guò)300次移動(dòng)和更新后得到的圖分割結(jié)果，其中不同的簇用不同的顏色區(qū)分。如圖所示，8個(gè)墨滴都被正確分割。通過(guò)這個(gè)簡(jiǎn)單的例子，可以形象地展示在基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類算法動(dòng)態(tài)運(yùn)行過(guò)程中所表現(xiàn)出的自聚合和自組織特行為。圖7用30個(gè)快照給出了基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法搜索最優(yōu)8-劃分的搜索過(guò)程(每10次移動(dòng)和更新后取一幅快照)。如圖所示，最初的劃分接近于隨機(jī)劃分。隨著時(shí)間，隨機(jī)劃分逐漸向最優(yōu)劃分演變。當(dāng)聚合了足夠多的局部搜索結(jié)果之后(大約經(jīng)過(guò)150次移動(dòng)和更新)，呈現(xiàn)出一個(gè)近似最優(yōu)的劃分。經(jīng)過(guò)另150步的求精，得到如圖6(c)所示的最優(yōu)8-劃分。權(quán)利要求1.一種基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法，其特征在于包括下列步驟定義網(wǎng)絡(luò)聚類評(píng)價(jià)函數(shù)；變量、移動(dòng)代理初始化；獲取移動(dòng)代理當(dāng)前所在節(jié)點(diǎn)的標(biāo)識(shí)符；更新節(jié)點(diǎn)特征值；更新所有鄰居局部沖突函數(shù)值；選擇新的鄰居節(jié)點(diǎn)；判斷當(dāng)前移動(dòng)代理移動(dòng)步數(shù)是否大于規(guī)定的最大步數(shù)，如果是，該移動(dòng)代理休眠；否則移動(dòng)代理移動(dòng)到下一節(jié)點(diǎn)，獲取移動(dòng)代理當(dāng)前所在節(jié)點(diǎn)的標(biāo)識(shí)符；判斷是否所有移動(dòng)代理都已經(jīng)休眠，如果不是，等待，否則，結(jié)束。2、根據(jù)權(quán)利要求1所述的基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法，其特征在于定義網(wǎng)絡(luò)聚類評(píng)價(jià)函數(shù)，采用局部評(píng)價(jià)的疊加來(lái)評(píng)估一個(gè)給定的k-劃分是否為一個(gè)"全局意義"下的最優(yōu)網(wǎng)絡(luò)簇結(jié)構(gòu)。3、根據(jù)權(quán)利要求1所述的基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法，其特征在于所有移動(dòng)代理異步和并行的在多智能代理系統(tǒng)中移動(dòng)，移動(dòng)代理到每個(gè)節(jié)點(diǎn)時(shí)改變其相應(yīng)的變量值。4、根據(jù)權(quán)利要求1所述的基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法，其特征在于在更新節(jié)點(diǎn)特征值的過(guò)程中加入擾動(dòng)。5、根據(jù)權(quán)利要求1所述的基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法，其特征在于選擇鄰居節(jié)點(diǎn)作為下一個(gè)移動(dòng)到的目標(biāo)節(jié)點(diǎn)時(shí)，以一定的概率選擇具有最大局部沖突函數(shù)值的鄰居節(jié)點(diǎn)。全文摘要一種基于智能代理系統(tǒng)的分散式社會(huì)網(wǎng)絡(luò)聚類方法，包括下列步驟定義網(wǎng)絡(luò)聚類評(píng)價(jià)函數(shù)；變量、移動(dòng)代理初始化；獲取移動(dòng)代理當(dāng)前所在節(jié)點(diǎn)的標(biāo)識(shí)符；更新節(jié)點(diǎn)特征值；更新所有鄰居局部沖突函數(shù)值；選擇新的鄰居節(jié)點(diǎn)；判斷當(dāng)前移動(dòng)代理移動(dòng)步數(shù)是否大于規(guī)定的最大步數(shù)，如果是，該移動(dòng)代理休眠；否則移動(dòng)代理移動(dòng)到下一節(jié)點(diǎn)，獲取移動(dòng)代理當(dāng)前所在節(jié)點(diǎn)的標(biāo)識(shí)符；判斷是否所有移動(dòng)代理都已經(jīng)休眠，如果不是，等待，否則，結(jié)束。本發(fā)明為社會(huì)網(wǎng)絡(luò)聚類提供一種全新高效的方法，適用于傳統(tǒng)方法無(wú)法解決的分布式復(fù)雜網(wǎng)絡(luò)聚類問(wèn)題。文檔編號(hào)H04L12/24GK101272328SQ20081005042公開(kāi)日2008年9月24日申請(qǐng)日期2008年2月29日優(yōu)先權(quán)日2008年2月29日發(fā)明者關(guān)菁華,劉大有,博楊,晶黃,紅齊申請(qǐng)人:吉林大學(xué)