一种子群约束的复杂网络可视化方法与流程

本发明涉及系统集成技术领域，具体的涉及一种子群约束的复杂网络可视化方法。

背景技术：

随着社会网络的兴起，神经网络、深度学习研究的火爆，这些复杂网络已经与我们的生活密不可分。在网络科学理论的研究中，复杂网络是由数量巨大的节点和节点之间错综发杂的关系共同构成的网络结构。用数学的描述语言来说，就是一个有着足够复杂的拓扑结构特征的图。复杂网络具有简单网络如晶格网络、随机图等结构所不具备的特性，而这些特性往往出现在真实世界的网络结构中。

通过对复杂网络的研究，人们可以对模糊世界进行量化和预测，目前只有基于复杂网络的研究成果，能够在一定的范围内对事物的发展和运行进行简单预测，并且能够对网络崩溃进行一定的预告。

很多人对复杂网络进行研究，也获得了大量成果，同时，对它们进行可视化也成为重要的一部分。可视化可以让人们更容易的看清楚网络结构，并从中提取出丰富的信息资源。

一般意义下的可视化定义为：可视化是一种使复杂信息能够容易和快速被人理解的手段，是一种聚焦在信息重要特征的信息压缩语言，是可以放大人类感知的图形化表示方法。

目前对于具有特定结构的网络图可视化已经非常成熟了。但在处理实际网络中密集部分时，总产生一些缺陷。尤其当网络规模很大时，几乎看不出网格结构。另外现有的公开可使用的可视化软件和框架比较偏于理论研究，或者主要面向很强的专业性应用，而比较优秀的产品一般都不开源且基本是商业化运作，甚至有些软件国内无法获取。

技术实现要素：

本发明的目的在于提供一种子群约束的复杂网络可视化方法。

本发明的目的可以通过以下技术方案实现：

一种子群约束的复杂网络可视化方法，包括压缩算法和布局算法，所述复杂网络依次经过压缩算法和布局算法处理后，再经过可视化处理后，形成网络结构图；

所述压缩算法的工作流程为：所述复杂网络为网络拓扑g＝(v，e)，首先计算网络拓扑g＝(v，e)中各个节点的度和所有节点之间的最短路径；然后分别计算节点关于度的关键值、节点关于最短路径的关键值；接下来，删除值相对较小的次要节点，保留值相对较大的重要节点；再将分别得到的关于度的重要节点和关于最短路径的重要节点合并为节点集合v1；合并后的节点集合，对于复杂网络，通常情况下，节点集合构成的压缩图是连通的，若不连通，则需要对压缩拓扑进行补充，选择一个最小的节点集合v2补充到压缩拓扑中，至少使得v1∪v2中节点构成的压缩图是连通的，v1中节点在g中的任意一条最短路径上的所有节点组成v2，v1∪v2的完全图与网络拓扑g的交集即为最终的压缩网络拓扑；

所述fr算法的工作流程为：先计算压缩网络拓扑中节点收到的斥力和引力，进而计算节点受到的合力，然后根据合力和位移阈值得到节点移动距离；设定合适的冷却函数，由平衡距离和位移阈值来决定，设定固定的迭代次数作为迭代终止条件；最后得到终止状态下的拓扑布局，节点平均分布在区域内，每个节点周围都有一个相同半径的空间。

进一步地，输入的网络拓扑g＝(v，e)为不联通图，或者为有向图或无向图，或者为加权图或无权图。

进一步地，对于不连通图，首先将其所有连通分支分离为多个连通图，对于每个连通图进行单独处理后，再把他们的结果放在一个布局上。

进一步地，对于有向图，直接将其有向边变为无向边，然后再进行处理，得到结果后，根据边的方向，加上对应的箭头即可。

进一步地，对于加权图，其结构属性相对于无权图会有一定的变化，先把加权图中所有边的权值变为1，从而得到了一个无权图，对其进行处理后，得到的结果其实已经和最终结果很相近了，然后再把权值还原，重新计算图的结构属性，根据得到的布局结果再次布局，就可以得到加权图的最终结果了。

进一步地，所述压缩算法为necb算法，采用对节点的压缩算法；布局算法选择基于fda算法改进的fr算法。

本发明的有益效果：

本发明通过对复杂网络拓扑进行可视化处理，由于节点最短路径决定了区域之间的距离，同时还能引导它们节点的布局，这同样也是满足距离与最短路径正相关，这样即便节点之间初始位置不够好，通过压缩算法中的迭代布局处理，也可以让其指向最佳位置；再则，当复杂网络图的密集度不高时，区域之间的初始布局可以让里面的节点充分展开，有利于确保节点之间具有理想距离，而不至于过渡紧密；通过本发明首先对区域进行布局，区域可以使凸包或圆，区域的良好布局有利于从整体改善可视化美观程度。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明的一种子群约束的复杂网络可视化方法的原理框图；

图2为本发明中可视化压缩方法的工作流程图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，本发明的一种子群约束的复杂网络可视化方法，包括压缩算法和布局算法，压缩算法为necb算法，采用对节点的压缩算法；布局算法选择基于fda算法改进的fr算法。

其中复杂网络数据依次经过压缩算法和布局算法处理后，经过网络拓扑可视化工具ucinet处理后，形成inet网络结构图。

其中，压缩算法的工作流程如图2所示，首先计算网络拓扑g＝(v，e)中各个节点的度和所有节点之间的最短路径；然后分别计算节点关于度的关键值、节点关于最短路径的关键值；删除值相对较小的次要节点，保留值相对较大的重要节点；再将分别得到的关于度的重要节点和关于最短路径的重要节点合并为节点集合v1；合并后的节点集合，对于复杂网络，通常情况下，节点集合构成的压缩图是连通的，若不连通，则需要对压缩拓扑进行补充，，选择一个最小的节点集合v2补充到压缩拓扑中，至少使得v1∪v2中节点构成的压缩图是连通的，necb采用的是keepone策略，v1中节点在g中的任意一条最短路径上的所有节点组成v2，v1∪v2的完全图与原始网络拓扑g的交集即为最终的压缩网络拓扑。

fr算法的具体执行过程是，先计算节点收到的斥力和引力，进而计算节点受到的合力，然后根据合力和位移阈值得到节点移动距离。设定合适的冷却函数对算法的运行效率至关重要，一般有平衡距离和位移阈值来决定，实际应用中往往设定固定的迭代次数作为迭代终止条件。拓扑布局的最佳状态是节点平均分布在区域内，每个节点周围都有一个相同半径的空间。

实际情况中，网络图会以各种形式存在，对于输入图g＝(v，e)可能是不联通的，可能是有向或者无向，也可能加权图或者无权图。

其中，对于不连通图，首先将其所有连通分支分离为多个连通图，对于每个连通图进行单独处理后，再把他们的结果放在一个布局上。这个已经有很多布局方法已经考虑过了。

其中，对于简单的有向图，直接将其有向边变为无向边，然后再进行处理，得到结果后，根据边的方向，加上对应的箭头即可，有两个方向的，直接在两端都加上箭头。

其中，对于简单的加权图，其结构属性相对于无权图会有一定的变化。为了重用性，先把加权图中所有边的权值变为1，从而得到了一个无权图，对其进行处理后，得到的结果其实已经和最终结果很相近了(初始布局对于力导引模型是很重要的)，然后再把权值还原，重新计算图的结构属性，根据得到的布局结果再次布局，就可以得到加权图的最终结果了。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。