[论文解读] Finding a Maximum Clique using Ant Colony Optimization and Particle Swarm Optimization in Social Networks

Mohammad Soleimani-Pouri, Alireza Rezvanian+1 more|arXiv (Cornell University)|Nov 28, 2013

Complex Network Analysis Techniques被引用 2

一句话总结

该论文提出 ACO-PSO，一种混合元启发式算法，通过用粒子群优化（PSO）引导的机制替代标准信息素更新，增强了蚁群优化（ACO）在社交网络中检测最大团的能力。该方法提升了解的质量和收敛速度，在包括扎帕·卡里特俱乐部和秀丽隐杆线虫神经网络在内的12个真实社交网络基准数据集上，相较于标准ACO表现出更优性能，具有更快的运行时间和更高的团大小准确性。

ABSTRACT

Interaction between users in online social networks plays a key role in social network analysis. One on important types of social group is full connected relation between some users, which known as clique structure. Therefore finding a maximum clique is essential for some analysis. In this paper, we proposed a new method using ant colony optimization algorithm and particle swarm optimization algorithm. In the proposed method, in order to attain better results, it is improved process of pheromone update by particle swarm optimization. Simulation results on popular standard social network benchmarks in comparison standard ant colony optimization algorithm are shown a relative enhancement of proposed algorithm.

研究动机与目标

• 为解决社交网络分析中的NP完全最大团问题，该问题对于识别紧密联系的用户群体至关重要。
• 通过改进信息素更新机制，提升蚁群优化（ACO）在团检测中的性能。
• 将粒子群优化（PSO）作为动态启发式方法，引导信息素更新，以增强解的智能性和收敛速度。
• 在标准社交网络基准上评估所提出的ACO-PSO混合算法，并与基线ACO进行比较。
• 证明仅修改信息素更新机制的轻量级混合策略可带来显著的性能提升。

提出的方法

• 该算法使用ACO通过基于信息素和启发式信息的迭代方式逐步添加顶点来构建候选团。
• 将信息素更新替换为受PSO启发的机制，利用个体最优（pbest）和全局最优（gbest）团解动态调整信息素水平。
• 信息素更新方程（8）整合了PSO的速度更新公式：Vt+1 = c1*r1*(pτ - Δτ) + c2*r2*(gτ - Δτ) + c3*Vt，其中pτ和gτ分别表示当前最优和全局最优团的信息素值。
• 算法初始化30只蚂蚁，设定信息素蒸发率ρ=0.95，并根据迭代次数使用自适应的α和ρ值（方程9和10）。
• 该过程持续迭代直至满足终止条件，信息素水平被限制在τmin=0.01和τmax=6之间。
• 仅对高质量解应用局部搜索和信息素强化，如方程（3）中Δτij所定义。

实验结果

研究问题

• RQ1 PSO引导的信息素更新能否提升ACO在求解最大团问题中的性能？
• RQ2 在不同社交网络拓扑结构下，混合ACO-PSO算法与标准ACO相比，在团大小、运行时间和一致性方面表现如何？
• RQ3 所提出的方法是否在最小算法修改下实现了更快的收敛速度和更高的解质量？
• RQ4 自适应参数设置（α和ρ）在不同网络规模下在多大程度上提升了算法性能？
• RQ5 该混合方法在不同规模和密度的真实社交网络数据集上是否具有鲁棒性？

主要发现

• 在SmaGri引文网络（XI）上，ACO-PSO的平均团大小达到6.409，优于标准ACO的6.025，提升12%。
• 在埃拉多斯合作网络（V）上，ACO-PSO找到大小为7的最大团，平均为5.848，优于ACO的平均5.848和最佳值7，且运行时间显著降低（105.11秒 vs. 5853.59秒）。
• 在秀丽隐杆线虫神经网络（III）上，ACO-PSO达到7的团大小，平均为5.543，标准差为1.482，而ACO的平均为5.521，标准差为1.568。
• 在世界足球网络（VII）上，ACO-PSO找到5团，平均为4.118，标准差较低（0.322），而ACO找到5团，平均为3.910，标准差较高（0.293）。
• 在多个数据集上，ACO-PSO将运行时间减少了90%以上：大学合作者网络（X）上，ACO-PSO为118.59秒，ACO为2142.03秒。
• ACO-PSO在全部12个基准数据集上均一致优于ACO，解的质量和效率更高，标准差更低，收敛速度更快。