复杂网络基础理论第六章复杂网络中的搜索PPT课件下载推荐.ppt

复杂网络基础理论第六章复杂网络中的搜索PPT课件下载推荐.ppt

《复杂网络基础理论第六章复杂网络中的搜索PPT课件下载推荐.ppt》由会员分享，可在线阅读，更多相关《复杂网络基础理论第六章复杂网络中的搜索PPT课件下载推荐.ppt（68页珍藏版）》请在冰豆网上搜索。

一个最简单的搜索策略就是广度搜索（broadcastsearch）策略，也就是广度优先搜索（broadthfirstsearch，BFS）算法，也叫宽度优先搜索，或横向优先搜索。

简单的说，BFS是从根节点开始，沿着树的宽度遍历树的节点。

如果所有节点均被访问，则算法中止。

6.2.2广度优先搜索策略,当源节点s应用BFS策略在网络中的节点上寻找指定的文件时，s首先查询其所有的邻居节点，询问是否含有目标文件，如果s的邻居中有某个节点存储了目标文件，则将目标文件返回给源节点；

如果任何邻居都没有含有目标文件，则所有的邻居将查询继续传递给各自的邻居节点，一直到搜索到目标文件为止。

当源节点s利用BFS策略搜索目标节点t时，s首先判断自己的邻居节点中有无目标节点。

若有，则中止搜索；

若无，则向每个邻居查询它们的邻居节点中有无目标节点。

重复这个过程一直到寻找到目标节点的任一个邻居为止。

6.2.3广度优先搜索算法实现,已知图G（V，E）和一个源节点s，广度优先搜索以一种系统的方式探寻G的边，从而“发现”s所能到达的所有节点，并计算s到所有这些节点的距离（最少边数），该算法同时能生成一棵根为s且包括所有可达节点的广度优先树。

对从s可达的任意节点v，广度优先树中从s到v的路径对应于图G中从s到v的最短路径，即包含最小边数的路径。

该算法对有向图和无向图同样适用。

之所以称之为广度优先算法，是因为算法自始至终一直通过已找到节点和未找到节点之间的边界向外扩展，就是说，算法首先搜索和s距离为k的所节点，然后再去搜索和s距离为k+1的其他节点。

6.2.3广度优先搜索算法实现,为了保持搜索的轨迹，广度优先搜索算法将每个节点着色为白色、灰色或黑色。

算法开始前所有节点都是白色，随着搜索的进行，各节点会逐渐变成灰色，然后成为黑色。

在搜索中第一次碰到某一节点时，我们说该节点被发现，此时该节点变为非白色节点。

因此，灰色和黑色节点都是已被发现的节点。

但是，广度优先搜索算法还需对它们加以区分以保证搜索以广度优先的方式执行。

若（u，v）E且节点u为黑色，那么节点v要么是灰色，要么是黑色，也就是说，所有和黑色节点邻接的节点都已被发现。

灰色节点可以与一些白色节点相邻接，它们代表着已找到和未找到节点之间的边界。

6.2.3广度优先搜索算法实现,在广度优先搜索过程中建立了一棵广度优先树，起始时只包含根节点，即源节点s。

在扫描已发现节点u的邻接表的过程中每发现一个白色节点v，该节点v及边（u，v）就被添加到树中。

在广度优先树中，称节点u是节点v的父母节点。

因为一个节点至多只能被发现一次，因此它最多只能有一个父母节点。

相对根节点来说祖先和后裔关系的定义如下：

若u处于树中从根s到节点v的路径中，那么u为v的祖先，v是u的后裔。

6.2.3广度优先搜索算法实现,【例6.1】用图6.2来解释BFS的处理过程，标明du以及队列Q的变化。

6.2.3广度优先搜索算法实现,解：

图6.3显示了用BFS在例图6.2上的搜索过程。

黑色边是由BFS产生的树枝。

每个节点u内的值为du，图中所示的队列Q是while循环中每次迭代起始时的队列。

队列中每个节点下面是该节点与源节点的距离。

6.2.4广度优先搜索算法的应用和特性,1应用广度优先搜索算法可以用来解决图论中的许多问题，例如：

（1）寻找图中所有连通分支（connectedcomponent）。

这里，连通分支是图中的最大连通子图。

（2）寻找连通分支中的所有节点。

（3）寻找非加权图中任两点的最短路径。

（4）测试一个图是否为二分图（所谓二分图，是指节点可以分成两个不相交的集合使得在同一个集内的节点不相邻（没有共同边）的图）。

此外，BFS还可用来解决电脑游戏（如即时策略游戏）中找寻路径的问题。

6.2.4广度优先搜索算法的应用和特性,2特性BFS的空间复杂度为O（MN）或为O（BD），由于对空间的大量需求，因此BFS并不适合求解网络规模非常大的问题。

广度优先搜索算法具有完全性。

若所有边的权值相等，广度优先搜索算法能找到最佳解亦即它找到的第一个解，距离根节点的边数目一定最少；

但对一般的图来说，BFS并不一定回传最佳解。

这是因为当图形为加权图（亦即各边加权不同）时，BFS仍然回传从根节点开始，经过边数目最少的解；

而这个解离根节点的距离不一定最短。

这个问题可以使用考虑各边权值的BFS改良算法成本一致搜寻法来解决。

6.3随机行走搜索策略,6.3.1随机行走搜索策略简介6.3.2网络随机行走的基础理论6.3.3最近邻耦合网络上的随机行走搜索效率6.3.4ER随机网络上的随机行走搜索效率6.3.5WS小世界网络上的随机行走搜索效率,6.3.1随机行走搜索策略简介,利用该策略，当源节点s搜索目标节点t时，s首先判断自己的邻居节点中有无目标节点t。

如果有，则中止搜索；

否则，向其任一个邻居查询它的邻居节点中是否有目标节点。

重复该过程直到找到目标节点t的任一个邻居为止。

与BFS策略相比，随机行走的搜索步数要大很多，但由于每一步只前传一个查询消息，从而大大减少了网络中的消息流量。

6.3.1随机行走搜索策略简介,在网络搜索中，人们通常假设每个节点只认识自己的邻居节点，且源节点在网络中寻找目标节点时，可以应用如下三种不同的行走策略：

无限制的随机行走搜索策略；

不走回头路的随机行走搜索策略；

节点不重复访问的随机行走搜索策略。

6.3.2网络随机行走的基础理论,网络上的随机行走跟图论的其它分支有着密切的关系，网络上的随机行走的基本性质由网络的谱所决定。

目前，对规则点阵和规则树（树中的节点具有同样的度）上的随机行走已有大量的理论结果。

然而，现实世界的网络往往具有比规则点阵和经典的随机网络更复杂的网络拓扑结构，如小世界网络和无标度网络。

这些网络与现实网络的重要性质相符合，比如，大的集聚程度、短的平均路径和很广的度分布。

网络的搜索效率与搜索策略和网络拓扑结构密切相关。

某种搜索策略的搜索效率通常可以用平均搜索步数来表征。

6.3.2网络随机行走的基础理论,对于一个规模为N的网络，某种搜索策略的平均搜索步数定义如下：

重复随机选择N个不同的源节点。

对每一个选择的源节点vi，应用该搜索策略得到源节点到其他所有N1个节点的搜索步数之和为Ti。

由此得到任意两个节点之间的平均搜索步数为：

研究发现，随着网络拓扑结构的不同，搜索策略的效率有着很大的区别，也就是说，所得到平均搜索步数变化很大。

6.3.3最近邻耦合网络上的随机行走搜索效率,1理论分析2仿真验证,6.3.4ER随机网络上的随机行走搜索效率,1理论分析2仿真验证,6.3.4ER随机网络上的随机行走搜索效率,【例6.2】试分析（6.20）式定义的生成函数G0（x）的导数及其平方特性。

解：

对（6.20）式求m阶导数可得上式中取x=0，可得若对G0（x）求一阶导数再乘以x可得对上述过程执行m次可以得到,6.3.4ER随机网络上的随机行走搜索效率,上式中取x=1，可得下面来看G0（x）的平方，它可以展开如下：

由此可见，上式中xm前面的系数就等于所有满足j+k=m的乘积pjpk的和，它可以准确地反映两个节点度之和为m的概率。

6.3.5WS小世界网络上的随机行走搜索效率,由于在WS小世界网络模型中，当重连概率p0时网络为最近邻耦合网络，而p1时网络为ER随机网络。

因此，当重连概率p从0到1变化时，WS小世界网络模型的平均搜索步数就是从最近邻耦合网络平均搜索步数到ER随机网络平均搜索步数的逐渐过渡。

仿真实验结果证实了这样的一种过渡。

6.4最大度搜索策略,前面提到的两种搜索策略没有考虑复杂网络的度分布。

对于许多实际复杂网络来说，其度分布是一种幂律分布，即呈现无标度特性。

最大度搜索策略（highdegreesearch，HDS）正是利用节点度的幂律分布特性来搜索的，它最初由Adamic等人提出。

该策略的基本出发点是：

邻居的熟人越多，他认识的人越多，则目标有更大的概率被找到。

下面首先介绍最大度搜索的策略及其算法，然后利用仿真实验来分析无标度网络幂律指数（反映了网络的均匀性）与最大度搜索效率的关系。

6.4.1最大度搜索策略6.4.2最大度搜索策略的效率与网络均匀性关系,6.4.1最大度搜索策略,应用最大度搜索策略在网络中的节点上寻找指定的文件或数据的过程可以简要描述如下：

源节点s首先查询其度最大的邻居节点，询问是否含有目标文件或数据。

如果此邻居节点上存储了目标文件或数据，则它将目标文件或数据返回给源节点；

如果此邻居节点上不含有目标文件或数据，则它将选择度最大的邻居将查询传递过去，一直到搜索到目标文件或数据为止。

6.4.1最大度搜索策略,假定每个节点仅仅知道自己邻居节点的信息，即每个邻居节点的度的大小，则使用HDS策略寻找两个节点之间的路径的步骤可以描述如下：

步骤1：

初始时选取源节点vi与目标节点vj；

步骤2：

从节点vi出发，判断自己的邻居节点中有无目标节点vj：

如无，则将其中度最大的邻居节点设为当前节点；

如有，则中止搜索；

步骤3：

可以多次访问同一个节点，但是同一条边只能被访问一次，如果与当前节点相连的所有的边都被访问过，则返回到上一个节点；

步骤4：

重复2和3两个步骤，直到当前节点为目标节点的任一个邻居节点，目标节点即被找到，搜索完成。

6.4.2最大度搜索策略的效率与网络均匀性关系,1无标度网络的幂律指数与网络均匀性关系2HDS搜索策略与网络均匀性的关系,6.5社会网络的分散式搜索,6.5.1引言6.5.2Kleinberg网格模型的分散式搜索6.5.3层次网络模型上的分散式搜索6.5.4Kleinberg集合模型上的分散式搜索6.5.5基于Kleinberg网格的动态网络模型的快速分散式搜索6.5.6复杂网络的可搜索性,6.5.1引言,在Milgram小世界实验中，人们搜索目标对象时使用的是一种简单的分散式算法，即当前信件的持有者基于局部信息，以最有可能到达目标人的方式来传递信件，也就是说，当前信件的持有者将信件传给他的一个朋友，并且他认为这个朋友在自己所认识的人当中（包括自己）是最接近于目标对象的。

因此，这个算法也称为贪婪算法（greedyalgorit