基于深度强化学习的复杂网络节点影响力排序算法OA北大核心CSTPCD
针对当前节点影响力评估算法准确度较低的情况,提出了一种基于深度强化学习的节点影响力排序算法。该算法从网络拆解的视角看待节点影响力,将节点影响力的排序问题转换为网络拆除策略的优化问题。算法首先利用排序学习训练图神经网络模型的节点特征提取能力,然后使用强化学习对依赖于网络状态的节点断连行为做价值学习,最后使用训练完成的模型预测网络拆除的最佳策略,即节点影响力的最准确排序。仿真实验证明,所提算法在典型真实数据集的CN(Crtical Node)与ND(Network Dismantling)问题上,相较于PageRank算法,准确度分别提升了31.1%与29.0%。同时,该算法具有较低的复杂度,可为网络稳定性分析和网络性能优化提供技术支撑。
李旭杰;吉普;孙颖;李浩天;徐宁;
河海大学信息科学与工程学院,南京210098 江苏省卫生健康发展研究中心,南京210036 国家卫生健康委计划生育药具不良反应监测中心,南京210036 江苏省生育力保护与卫生技术评估重点实验室,南京210036河海大学信息科学与工程学院,南京210098河海大学信息科学与工程学院,南京210098 江苏开放大学信息工程学院,南京210017江苏省卫生健康发展研究中心,南京210036 国家卫生健康委计划生育药具不良反应监测中心,南京210036 江苏省生育力保护与卫生技术评估重点实验室,南京210036
计算机与自动化
复杂网络节点影响力深度强化学习图神经网络排序学习
《电讯技术》 2024 (010)
P.1644-1652 / 9
国家自然科学基金资助项目(U23B20144);江苏省卫生健康发展研究中心开放课题(JSHD2022051);网络与交换技术国家重点实验室(北京邮电大学)开放课题(SKLNST-2022-1-15);江苏省教育厅未来网络科研基金(FNSRFP-2021-YB-7)。
评论