代码—— 利用邻接信息熵识别复杂网络中的重要节点

最新推荐文章于 2024-09-10 17:13:11 发布

Sete911

最新推荐文章于 2024-09-10 17:13:11 发布

阅读量443

点赞数 8

文章标签： matlab 算法网络

本文链接：https://blog.csdn.net/Sete911/article/details/136788282

版权

本文介绍了如何使用邻接信息熵来识别复杂网络中重要的节点，通过Matlab代码展示了计算方法，包括邻接矩阵处理、入度和出度的计算以及避免除以零问题的策略。

摘要由CSDN通过智能技术生成

题头，matlab代码尝试，共勉。有误请指正

先感谢7:45am大佬的文献提供和笔记。以下为其文章

论文笔记—— 利用邻接信息熵识别复杂网络中的重要节点-CSDN博客

（该文章有举例理解定义和算法步骤，本文不再叙述。）

相关定义及公式

$A_{i}=\theta *\sum_{j\in \Gamma(i) }k_{j_{in}}+(1-\theta)*\sum_{j\in \Gamma(i) }k_{j_{out}}$

$p_{i_j}= \frac { k _ { i } } { A _ { j } } , j \in \Gamma _ { i }$

$E _ { i } = \sum _ { j \in I _ { i } } | ( - P _ { i_j } \log _ { 2 } P _ { i_j } ) |$

其中 $k_{j_{in}}$ 是从节点i指向节点j的边数， $k_{j_{out}}$ 是从节点j指向节点i的边数， $p_{i_{j}}$ 为节点i将被其邻居j选择的概率， $E_i$ 为邻接信息熵。

下列代码中，Link为有向图的邻接矩阵，若为有向图可用

A = adjacency(G, 'weighted');  %获取邻接矩阵

function Hi = Hmessage(Link, lambda)
    degrees_in = sum(Link, 1)'; % 计算每个节点的入度
    degrees_out = sum(Link, 2); % 计算每个节点的出度
    Hi = zeros(1, size(Link, 2));
    
    % 计算节点邻接度K
    K = lambda * degrees_in + (1 - lambda) * degrees_out;
    
    for i = 1:size(Link, 2)
        temp_in = find(Link(:, i))'; % 节点i的入度邻接节点
        temp_out = find(Link(i, :)); % 节点i的出度邻接节点
        Kwj = 0; % 节点i的入节点度值
        Kjw = 0; % 节点i的出节点度值
        for j = 1:size(temp_in, 2)
            Kwj = Kwj + K(temp_in(j));
        end
        for j = 1:size(temp_out, 2)
            Kjw = Kjw + K(temp_out(j));
        end
        Q(i) = Kwj * lambda + (1 - lambda) * Kjw;
    end
    
    for i = 1:size(Link, 2)
        temp_in = find(Link(:, i))'; % 节点i的入度邻接节点
        temp_out = find(Link(i, :)); % 节点i的出度邻接节点
        temp = unique([temp_out temp_in]); % 节点i的邻接节点
        for j = 1:size(temp, 2)
            if Q(temp(j)) ~= 0 % 避免除以0的情况
                p = K(i) / Q(temp(j));
                Hi(i) = p * log2(p) + Hi(i);
            end
        end
        Hi(i) = -Hi(i);
    end
    
    Hi = abs(Hi);
end