静态、动态及网络的网络的智能学习、优化与重建

According to our research experiences in processing network data, the search space of the problems related network data is very large, and the topology of the search space is very complex. Traditional heuristics algorithms belong to local search or greedy approaches. When we apply these heuristics algorithms to solve complex network problems, the algorithms are easily affected by the local topology of search spaces because they do not have a global view over the whole space and intelligent searching strategies. Therefore, they are easily trapped in local optima, and converge slowly. With the coming of big data era, the methods that can process big network data efficiently and effectively are in hard demand. This project devotes to study intelligent learning and optimization methodologies for processing big network data, and develop corresponding distributed system. According to the difficulty of different types of networks and practical requirements, we will study static networks, dynamic networks, networks of networks, the problems of learning special features from existing networks, optimizing network structures according to requirement, and the reverse engineering problem of reconstructing networks from network dynamics. In this way, we can analyze network data from a comprehensive viewpoint. This project will push the applications of intelligent computation methods on processing network data.

通过我们已有的研究工作发现，网络优化问题的搜索空间非常大、空间形态非常复杂。传统的启发式算法本质上都是局部搜索方法、贪婪搜索方法。在这种高复杂度的大空间中搜索，启发式方法由于缺乏全局的观点以及有效的智能搜索手段，就相当于小步走路，很容易被局部搜索空间的形态影响到，导致其容易陷入局部最优、收敛速度非常慢。随着大数据时代的来临，能够高效处理大规模网络数据的智能算法成为迫切需求。本项目致力于智能网络数据处理算法的研究与分布式处理平台的开发。根据问题研究的不同层次以及实际需求，我们将从静态网络、动态网络、网络的网络三个层次以及已有网络特性的学习、网络结构的优化等正问题和根据网络动力学表征重建网络结构的反问题对网络大数据展开全面研究。针对不同类型网络、不同问题需求，设计适合的智能学习、优化、重建方法。本项目地实施将为各种类型网络大数据的高效处理与充分利用提供智能解决方法与平台。

本项目从人工智能角度对多种网络特性的学习、网络结构的优化等正问题和根据网络动力学表征重建网络结构的反问题展开了研究。在网络特性学习方面，从社团结构、网络鲁棒性深入分析网络特性，提出了一系列针对多种形态网络的智能学习方法。在网络结构优化方面，对网络鲁棒性优化以及鲁棒性、社团的联动优化进行了深入分析，提出了一系列面向多形态网络的多种新优化方法。在网络重建方面，提出了一系列数据驱动的多场景网络重建方法，能够高效解决流数据下的多层网络重建问题。进一步，面向时间序列预测问题，提出了一系列基于网络结构的预测方法，并成功应用于基于EEG信号的人体动作识别问题。..本项目从人工智能角度对复杂网络系统进行了全面研究，面向复杂网络系统中问题的特点，在智能学习、优化、重建方法方面进行了深入研究，发展了一系列新的、模型与算法，丰富了人工智能的理论与工具，拓广了人工智能的研究领域。进一步，在理论、模型、算法研究的基础上，从实际问题的特性出发，将新模型与算法用于解决一系列复杂网络系统中的实际问题，包括电力运输网络、RFID网络规划、基因调控网络等，获得了一系列具有自主知识产权的技术成果。..在本项目的资助下，相关研究在相关领域国际期刊上发表/录用学术论文50篇，其中中科院分区I区五个Top IEEE汇刊（IEEE Trans. Evolutionary Computation、IEEE Trans. Cybernetics、IEEE Trans. Fuzzy Systems、IEEE Trans. Neural Networks and Learning Systems、IEEE Trans. Image Processing）上18篇；在国内期刊《中国科学》上录用学术论文1篇；在国际会议上发表学术论文15篇、国内会议1篇；获授权专利9项；已培养博士毕业生8名、硕士毕业生11名。