论文部分内容阅读
随着“互联网+”概念的提出，社会网络势必将渗透人们生活工作中的点点滴滴，与此同时，社会网络中的信息复杂度也将膨胀式增长。如何评判社会网络中用户的行为，从复杂网络中对行为进行建模，实现智能化服务是学者们一直研究的问题。另一方面，受自然启发的行为理论被应用于各种启发式优化算法中，并取得一定的成效。因此，行为作为信息产生的驱动源，对于解决智能问题有着重大的积极影响，对行为进行研究、建立相应的理论体系并提出基于行为建模的算法将对网络智能服务提供新的解决思路。 本论文主要是针对行为展开:(1)将社会网络中的行为与五行理论中的“生“克”行为进行结合，探讨了基于五行的行为模式;(2)对自然界中动物迁徙行为展开分析，对该行为的具体过程进行建模，提出基于迁徙行为的仿生算法。 我们首先对社会网络中的行为进行分类，通过行为所属类别建立行为量化模型，但是，这种行为量化方式存在着一定弊端:人工判别行为的工作量过大。为了解决该问题，本文结合五行理论中的“生”“克”行为，提出了一种新的基于“五行理论”的行为量化模型，并基于此模型产生行为因子，基于五行的行为量化方法将人工判别过程的时间复杂度降低了一个级别。然后，我们从理论上论证了五行理论的科学性，在算法中引进行为因子来进行智能化服务，这一部分主要使用了多Agent系统中的资源分配问题作为原型来进行验证，通过仿真实验验证了该行为量化方法的有效性。 在对社会网络中的行为进行上述分析后，本文又探索了生物界中的迁徙行为，以期从自然界中现有的行为模式中寻找网络中行为的新模式。这一部分主要是对动物迁徙的具体过程进行分析建模，提取动物迁徙过程中的信息学习方式，提出一个基于信息学习的动物迁徙算法。然后以函数极值优化问题为原型进行实验验证，通过与现有算法的比较，发现该算法在总体排名中有着较大的优势，验证了该算法的收敛性和有效性。为了进一步说明算法的适用性，最后将该算法应用于大数据领域中的聚类问题，通过与其他算法的比较，说明了该算法在解决聚类问题上的有效性。