實(shí)驗(yàn)室-計(jì)算機(jī)技術(shù)

:復(fù)雜網(wǎng)絡(luò)最大自然界中存在的大量復(fù)雜系統(tǒng)都可以通過形形的網(wǎng)絡(luò)加以描述。一個(gè)典型的網(wǎng)絡(luò)是由許多節(jié)點(diǎn)與連接兩個(gè)節(jié)點(diǎn)之間的一些邊組成的，其點(diǎn)用來代表真實(shí)系統(tǒng)中不同的，而邊則用來表示之間的關(guān)系，通常是當(dāng)兩個(gè)節(jié)點(diǎn)之間具有某種特定的關(guān)系時(shí)連一條邊，反之則不連邊。有邊相連的兩個(gè)，而社會(huì)網(wǎng)絡(luò)則是指由社會(huì)來作為節(jié)點(diǎn)間的關(guān)聯(lián)關(guān)系作為邊所形成的具有復(fù)雜關(guān)系的網(wǎng)，的發(fā)張。對(duì)于組織，如何能根據(jù)社會(huì)網(wǎng)絡(luò)節(jié)點(diǎn)，迅速的定位分子的頭目或者一些關(guān)鍵的，進(jìn)而可以有效的監(jiān)視和控制組織，甚至搗毀他們，從而社會(huì)的穩(wěn)定，促進(jìn)人類文明的發(fā)張。在疾病防治領(lǐng)域，許多的傳染性疾病，如流感、以及其他疾病也對(duì)人類產(chǎn)生巨大的。如果可以在發(fā)生時(shí)，能夠通過對(duì)這一社會(huì)網(wǎng)絡(luò)的分析來控制這些疾病的顯得尤為重要。如果病的進(jìn)一步擴(kuò)散，從而可以將損失盡量的減少。而這些都可以通過社會(huì)網(wǎng)絡(luò)中的最大化問題加以解常用的模常用的模型有SI、SIR、SIS、ICM、LTM等，此外也有一些其他的模型，如投票者模型。它S:即根據(jù)通常所見到的疾病傳染過程所生成的模型。對(duì)于網(wǎng)絡(luò)中的每一個(gè)節(jié)點(diǎn)只有兩種狀態(tài)，即已狀態(tài)（）和未狀態(tài)（S。對(duì)意的已節(jié)點(diǎn)，它都可能其處未三個(gè)狀態(tài)，即已狀態(tài)（I，未狀態(tài)（S）和已康復(fù)狀態(tài)（R。它的過程通常如下：的免疫功能一樣，它將獲得對(duì)該種疾病的免疫能力，即該節(jié)點(diǎn)不可能被再次。SIS:根據(jù)人類對(duì)某些疾病的反復(fù)特性所建立起來的模型。它對(duì)于網(wǎng)絡(luò)中的每一個(gè)節(jié)點(diǎn)都（S恢復(fù)為未狀態(tài)，并且在以后的過程中可能再次變?yōu)橐褷顟B(tài)。tv的鄰居節(jié)點(diǎn)w變成活躍狀態(tài)，此時(shí)它有使處在未激活狀態(tài)的節(jié)點(diǎn)v變?cè)酱?，即越大，則v容易被激活。ICM相同，網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)只有活躍和不活躍兩種狀態(tài)，節(jié)點(diǎn)只能由未激活狀態(tài)轉(zhuǎn)變N(v)wN(v)，定義鄰居節(jié)點(diǎn)w對(duì)它的權(quán)值為，表示節(jié)點(diǎn)w對(duì)節(jié)點(diǎn)v的影響程度，這里用概率表示，且滿如果滿足，其中w指的是N(v)中處于活躍狀態(tài)的節(jié)點(diǎn)，則節(jié)點(diǎn)v由未激活狀態(tài)觀點(diǎn)。可以證明，當(dāng)運(yùn)行次數(shù)t≥時(shí)，所有的節(jié)點(diǎn)都將會(huì)處于同一個(gè)狀態(tài)，即要么全部活I(lǐng)CMLTM模型則是兩個(gè)最為經(jīng)典的模型，它們?cè)谘芯恐惺褂玫妮^為廣泛，屬根據(jù)已有的研究成果，知道最大化問題屬于一個(gè)NP-hard問題，為了有效的解決這一問題，我令初始集合B=遍歷網(wǎng)絡(luò)中的節(jié)點(diǎn)，選擇一個(gè)節(jié)點(diǎn)使得σ(B∪{})–σ(B)取得最大值，即在集合B的基礎(chǔ)令B=B∪{2，3其中，B表示已選出的最大化問題的節(jié)點(diǎn)結(jié)果的集合，σ表示節(jié)點(diǎn)集的收益，通常情況下是而上面提到的SI,SIS,SIR,ICM,LTM等模型大多都使用了這種貪心策略來解決復(fù)雜網(wǎng)絡(luò)中的最大化這一問題。而為了盡量的減小系統(tǒng)的開銷，人們往往會(huì)對(duì)已有的模型做出一定的改進(jìn)來提高效率。的貪心算法CGA來選擇出這K個(gè)節(jié)點(diǎn)的集合。他巧妙的發(fā)現(xiàn)了不同社團(tuán)間的往往存在較少的聯(lián)系，因此不在[4]中，作者將ICM模型的限制在任意節(jié)點(diǎn)v只有在它與初始集合的最短路徑p和p+1步時(shí)才可中，作者在經(jīng)典的模型中通過引入了連續(xù)時(shí)間馬爾可夫鏈，從而提出了拓展的模型CTMC-ICM，最后，在CTMC-ICM的基礎(chǔ)上，提出了新的節(jié)點(diǎn)度量SpreadRank及其算法描述，同樣也取得了不錯(cuò)的效果。然而在[7]中，作者則在傳統(tǒng)的SIS模型中引入了物理學(xué)中的滲流思想，通過將SIS模型與滲流模型的結(jié)合，來達(dá)到模擬的過程，其最終生成的示意圖如下圖所示，并且也取得了一定的分層圖的滲流示意UM或者TMM以此達(dá)到比不錯(cuò)的行計(jì)算效如在8中作者在M模的基礎(chǔ)過改了計(jì)算每個(gè)節(jié)收益的式來達(dá)提高并效率的雖然他依然用了心策略解決最大問題。但由于他這方式特適合多U的計(jì)算，因也取得不錯(cuò)的果。而在9中，作過先將復(fù)雜網(wǎng)絡(luò)劃出幾個(gè)社，再在每社團(tuán)中并計(jì)算尋找較大的節(jié)，以此來出最終的最大的節(jié)點(diǎn)集，也在保證結(jié)果正確的基礎(chǔ)上一定程度的提高了運(yùn)算的速度。在10]中，作者通過隨機(jī)的選取邊獲得了一個(gè)DA通觀察發(fā)每個(gè)節(jié)點(diǎn)僅僅與它子節(jié)點(diǎn)數(shù)有因此為可以過自向上的遍歷這個(gè)DAG來獲最終的。其他學(xué)領(lǐng)域交融合以來解決現(xiàn)實(shí)問題引起了們的廣如病間關(guān)分析疾病與、蛋白之間的系等等。疾病模型，沙堆模型等，它們可能在一定的程度上限制了該領(lǐng)域的發(fā)展。而在現(xiàn)實(shí)中，這一模型的建立往往需要物理學(xué)家的努力。因此，不應(yīng)該局限于自己的領(lǐng)域，也應(yīng)關(guān)注一些相關(guān)領(lǐng)域的進(jìn)展。而且由于多核CPU的飛速發(fā)展，如何有效的利用多核的優(yōu)勢(shì)來解決最大化這一問題也變的切實(shí)可問題也對(duì)提出了不小的 Kempe,D.,Kleinberg,J.,andTardos,E.,izingthespreadofinfluencethroughasocialnetwork, EyalEven-Dar,AsafShapira.Anote izingthespreadofinfluenceinsocial YuWang,GaoCong.GuojieSong,Kunqing munity-basedGreeedyAlgorithmforMiningTop-KInfluentialNodesinMobileSocialNetworks.2010. MasahiroKimura1andKazumiSaitoTarctableModelsforInformationDiffusioninSocial XiaohangZhang,JiZhu,QiWang,HanZhao.Identifyinginfluentialnodesincomplexnetworkswithcommunitystructure.2013 TianZhu,Bai izingthespreadofinfluencerankinginsocial KazumiSaito.Masahiro.EfficientdiscoveryofinfluentialnodesforSISmodelsinsocial JinhaKim,Seung-KeolKim,HwanjoYu.ScalableandParallelizableProcessingofInfluence izationforLarge-ScaleSocialNetworks.2013 GuojieSong,XiabingZhou,YuWang,andKunqingXie.InfluenceizationonLarge-ScaleMobileSocialNetwork:ADivide-and-ConquerMethod.2015［10］XiaodongLiu,MoLi.IMGPU:GcceleratedInfluenceizationinLarge-ScaleSocialAsurveyofstatusofinfluenceizationincomplexShi:Theinfluence izationproblemaimstofindtop-Kinfluentialindividualstoizetheinfluenceinasocialnetworkorotherscomplexnetwork.Ontheonehand,theizationproblemprovestobeaNP-hard,andontheotherhand,therearemanynodesinthenetworkandwealwaysfindthetop-Knodesintime.Soweusuallyusethegreedyalgorithmstosolvetheproblemnow.AsaresultofMulti-coreCPUbooming,whetherdesigningaparallelismalgor