基于MCMC技术的社会网络搜索
变系数模型的理论及应用研究
变系数模型的理论及应用研究第一部分变系数模型概述 (2)第二部分变系数模型理论基础 (5)第三部分模型参数估计方法 (7)第四部分模型稳定性分析 (11)第五部分应用案例研究 (14)第六部分实证结果与讨论 (17)第七部分研究局限与未来展望 (20)第八部分结论与政策建议 (23)第一部分变系数模型概述变系数模型概述一、引言在实际的经济、生物、医学、社会等众多领域中，变量之间的关系往往受到其他因素的影响而呈现出非线性特性。
传统固定系数模型假定参数不随自变量变化，然而，在许多情况下，这种假设并不成立。
为了更准确地刻画现实世界中的复杂现象，变系数模型（Variable Coefficient Models, VCM）应运而生。
本文将对变系数模型的基本概念、理论和应用进行介绍。
二、基本概念与形式化描述变系数模型是一种参数可以随自变量变化的非线性模型，其数学表达式为：y = f(xβ(t)) + ε其中，y 是因变量，x 是解释变量向量，β(t)是一个以 t 为参数的函数，ε是随机误差项，f()表示一个非线性函数。
可以看出，该模型的核心在于参数β随着自变量 x 的变化而变化。
三、变系数模型的性质1.参数可变性：变系数模型的特点在于参数不再是常数，而是随着时间或空间的变化而变化。
这种可变性使得模型能够更好地捕捉到数据中的非线性特征。
2.非参数估计：由于参数函数β(t)未被明确指定，因此通常需要采用非参数方法进行估计。
常见的非参数估计方法包括局部线性回归、核平滑法和样条插值等。
3.异方差性：由于参数随自变量变化，故模型中的误差项可能具有异方差性。
为了克服这个问题，通常需要对误差项进行适当的处理，如使用加权最小二乘法进行估计。
四、变系数模型的估计方法变系数模型的估计主要包括参数函数的估计和非参数函数的估计两部分。
1.参数函数的估计：参数函数β(t)通常是未知的，需要借助于数据进行估计。
常用的参数函数估计方法有核平滑法、样条插值法和趋势外推法等。
基于改进MCMC方法的重叠社区发现算法
基于改进MCMC方法的重叠社区发现算法
付顺顺;顾益军;张大瀚;孟凡鹏
【期刊名称】《信息网络安全》
【年(卷),期】2017(0)9
【摘要】文章对基于社区隶属模型AGM的重叠社区发现算法的特点及机理进行了分析,针对算法在求解过程中存在的易陷入局部最优的问题加以改进.在原有的MCMC采样方法上引入模拟回火(ST)策略和补充搜索过程,实现了待求参数的快速更新并且逐渐逼近理想中的全局最优解.在四种网络中的实验表明,改进之后的算法结果比原算法均有所提高,其中在平均聚类系数较高的DBLP科学合著网络中的实验效果提升了14％.改进之后的算法能够提高采样效率,从而提高社区发现的精确性和可靠性.
【总页数】5页(P138-142)
【作者】付顺顺;顾益军;张大瀚;孟凡鹏
【作者单位】中国人民公安大学信息技术与网络安全学院,北京100038;中国人民公安大学信息技术与网络安全学院,北京100038;中国人民公安大学信息技术与网络安全学院,北京100038;中国人民公安大学信息技术与网络安全学院,北京100038
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于节点属性的重叠社区发现算法改进 [J], 王梦迪;付顺顺
2.一种基于多维遗传算法的重叠社区发现方法 [J], 王琦;温志平
3.基于标签传播算法在重叠社区发现中的改进 [J], 王茜;方旭
4.改进蚁群算法优化重叠社区发现方法 [J], 楚杨杰;洪叶;杨忠保;江登英
5.基于改进对称二值非负矩阵分解的重叠社区发现方法 [J], 成其伟;陈启买;贺超波;刘海
因版权原因，仅展示原文概要，查看原文内容请购买。
基于MCMC技术的社会网络搜索
收稿日期:2008-04-09;修回日期:2008-08-08。
作者简介:李坤朋(1981-),男,山东菏泽人,硕士研究生,主要研究方向:复杂网络; 张宁(1956-),女,江苏人,副教授,主要研究方向:复杂系统。
文章编号:1001-9081(2008)10-2600-04基于MCMC 技术的社会网络搜索李坤朋,张 宁(上海理工大学管理学院,上海200093)(j ack lion2000@126.co m )摘 要:实验和理论表明社会网络中存在着短路径,即人们可以在较少的步数内找到目标。
研究了社会网络中的贪婪搜索现象,给出了将长程连接图嵌入底层一维和二维网格的马尔科夫链蒙特卡罗方法。
该方法更符合现实情况,坐标体系只是用于网上距离的计算。
将算法用于模拟数据(根据一维和二维理想模型产生的图)和真实的社会网络数据均有很好的查询效率,查询成功率高,成功查询平均步长短。
关键词:复杂网络;蒙特卡罗方法;小世界;贪婪搜索中图分类号:N 94;TP393 文献标志码:ASearch i n social net works usi ng M C MC algorith mLI Kun -peng ,Z HANG N ing(Colle g e o f M anag e m ent ,Un iversit y of Shang ha i for Sc ie nce and T ec hnolo gy,S hangha i 200093,C hina )Abstract :Experi m ents and theoreti ca l ana l ysis de m onstrate tha t short path ex ist i n socia l net wo rks ,and people can search a targ et i n a few steps .G reedy routing i n socia l ne t w orks w as exp l o red .A n M C M C algor it h m was g iven to e m bed ag i ven sho rtcut g raph i nto a one o r t wo di m ensi onal g rid .T h i s a l go rith m w as realit y-orien ted and the coordi nate syste m was used on l y for the co m puta ti on of net work d istance .T he a l go rith m w as tested using a rtific i a lly generated da ta (g raphs generated acco rd i ng to the i deal model i n one and t w o di m ensi ons)as w ell as rea l soc ial net work data .T he result is pretty sa ti sfactory :the success rate o f i nquiry i s hi gh and the m ean step l eng t h o f success i nqu i ry is short .K ey words :com plex net wo rk ;M onte -Ca rl o algor i th m;s m allw orld ;greedy rou ti ng0 引言小世界现象的现代概念起源于心理学家M il gra m 在20世纪60年代所做的实验。
基于MCMC算法的贝叶斯网络建模研究
基于MCMC算法的贝叶斯网络建模研究概述近年来，随着数据科学和人工智能领域的发展，贝叶斯网络（Bayesian network）在机器学习和数据挖掘领域中得到了广泛应用。
它是一种概率图模型，能够描述有多个变量之间的关系，并通过概率推断来预测未知的事物。
在实际应用中，我们经常需要对大量的数据进行建模，以便更好地理解各个变量之间的关系。
然而，对于大规模的贝叶斯网络建模来说，传统的贝叶斯推理方法往往面临主观性强、计算量大等问题。
因此，基于MCMC算法的贝叶斯网络建模成为了一种有效的解决方案。
MCMC算法MCMC（Markov Chain Monte Carlo）是一种基于马尔可夫链的概率统计方法。
该方法可以通过一系列状态转移产生样本，并通过样本的数量和分布来估计概率分布。
MCMC算法的核心思想是利用马尔可夫链的稳态分布来估计统计量。
在贝叶斯网络建模中，MCMC算法可以用来估计贝叶斯网络中各个变量节点之间的条件概率分布。
基于MCMC算法的贝叶斯网络建模步骤如下：1.构建初始模型：在构建贝叶斯网络之前，需要确定变量节点的个数和相互之间的关系。
初始模型可以是一个随机图或通过专家经验确定的一个合理的关系结构。
2.引入随机性：在此步骤中，需要引入一定的随机性，以便在不同的状态间进行转移。
可以通过增加或删除边、改变节点的状态、对节点分配权值等方式来引入随机性。
3.计算概率：在每一次转移之后，需要重新计算每个节点的条件概率分布。
这个过程可以通过马尔可夫链的稳态分布来实现。
4.评估模型：在得到稳态分布之后，需要对模型进行评估。
评估指标可以包括节点之间的条件概率分布、结构的准确性和模型的健壮性等。
5.优化模型：根据评估结果，对模型进行优化。
可以通过调整节点之间的关系或权重来提高模型的性能。
应用案例基于MCMC算法的贝叶斯网络建模已经得到了广泛的应用。
以下是一些成功的案例：1.气候数据建模：利用气象数据构建贝叶斯网络建模，预测未来的气候变化。
基于社会网络的检索方法
个人收集整理仅供参考学习存在的问题解决方法基于目标节点的去中心搜索基于社会网络的用户兴趣度模型近十年来，随着Web检索中链接分析技术的发展，网络结构在信息检索中的重要性日益显著。
研究的主体是文件与文件之间的超链接所形成的网络，事实上，人与人之间的联系（包括友情、信息交换、影响力等）所形成的网络也是同样重要的。
过去的几年，随着社会网络系统、富媒体、以及即时通讯数据集的出现，在线社会网络越发显得重要。
随之而来的是，兴趣检索的挑战。
Jon Kleinberg受Stanley Milgram小世界六度分割理论的启发，提出基于节点搜索的社会化网络检索方法。
该检索方法的思想是：从网络中的一个节点出发，寻找通往目标节点的最短路线，特点是：不需要对整个网络的知识有全局性的了解。
所用的算法：去中心搜索算法。
Watts 和Strogarz的研究表明复杂网络支持去中心搜索（decentralized search）。
存在的问题：当去中心算法用于存在激励性的问题中时，结果依赖于信息的稀有性和网络拓扑结构的丰富性。
也就是说，当网络的结构过于简单（structurally impoverished）时，需要引进大量的相关数据（enormous investment），从而产生从“询问”到“答案”的路径。
Xu Ren，Yi Zeng等人提出基于小组兴趣度的社会网络模型，以精炼检索结果。
思想：用户的兴趣与用户的背景具有相关性，且受其朋友、同事的影响，因此可以通过用户近期的兴趣以及用户的社会网络关系，了解用户的兴趣，得到精炼的检索结果；特点：适用于大规模的网络搜索任务。
不管数据量有多大，通过基于兴趣度的社会网络模型，与结果相关性较大的数据量会大大减少，并且这些数据的排名靠前。
不足：该兴趣度模型未考虑语义相似性，例如“理性”与“逻辑”具有强相关性（语义相似性可根据谷歌距离（google distance）判断），若用户检索“逻辑”，则应当认为“理性”也是用户所感兴趣的结果。
基于mcmc算法的贝叶斯统计方法-概述说明以及解释
基于mcmc算法的贝叶斯统计方法-概述说明以及解释1.引言1.1 概述概述部分是文章的引言部分，主要是对文章的主题和背景进行简要介绍，让读者对接下来的内容有一个整体的了解。
下面是可能的内容示例：概述贝叶斯统计方法是统计学中重要的分支之一，其核心概念是基于贝叶斯定理进行概率推断与参数估计。
与传统的频率派统计方法相比，贝叶斯统计方法具有更好的灵活性和鲁棒性，并且能够有效应对数据不完备或噪声较大的情况。
然而，由于贝叶斯统计方法中需要计算后验分布，往往需要面对复杂的高维积分问题，传统的数值计算方法往往无法直接求解，因此需要借助于一些基于概率抽样的算法。
本文的主要目的是介绍基于MCMC算法的贝叶斯统计方法。
MCMC （Markov Chain Monte Carlo）算法是一类基于马尔科夫链的随机抽样方法，通过构造一个马尔科夫链，从而得到一个与目标后验分布相符合的随机样本集合。
蒙特卡洛（Monte Carlo）方法则通过统计这些抽样样本的特征来获得对目标分布的估计结果。
在本文中，我们将首先对贝叶斯统计方法进行概述，介绍其基本原理和应用领域。
随后，我们将详细介绍MCMC算法的基本思想和常用的算法实现，包括Metropolis-Hastings算法和Gibbs采样算法等。
最后，我们将结合具体案例，展示如何基于MCMC算法应用于贝叶斯统计方法中，包括参数估计、模型比较和预测等方面。
通过本文的阅读，读者将能够全面了解贝叶斯统计方法和MCMC算法的基本原理，并具备在实际问题中应用这些方法的能力。
希望本文能为统计学和机器学习领域的研究者提供一些有益的参考和启示，开拓思路，推动相关领域的发展。
文章结构是整篇文章的骨架，它帮助读者了解文章的组织方式和内容安排。
本文的结构如下：1. 引言1.1 概述1.2 文章结构1.3 目的2. 正文2.1 贝叶斯统计方法概述2.2 MCMC算法介绍2.3 基于MCMC算法的贝叶斯统计方法3. 结论3.1 总结3.2 展望在本文的引言部分，我们首先对文章的主题进行了概述，介绍了贝叶斯统计方法以及MCMC算法的应用背景和重要性。
基于地理信息的社会网络搜索
基于地理信息的社会网络搜索邓凯英【期刊名称】《微型机与应用》【年(卷),期】2012(031)013【摘要】Based on the effective information searching and transmission ability of the social network, we study the most efficient strategy for searching randomly located objects. When the target sites are sparse square pow-law distribution of flight lengths, corresponding to levy flight motion, is an optimal strategy. Alevy flight is a random walk in which the step-lengths have a probability distribution.%根据社会网络所具有的有效信息搜索和传播能力，研究了搜索空间目标对象的有效策略。
当目标位置稀疏并且能够随机多次访问时，移动距离服从平方反比幂律分布。
结果表明，带长距离移动方式的levy flight搜索策略是有效的。
【总页数】2页(P76-77)【作者】邓凯英【作者单位】西北民族大学数学与计算机科学学院,甘肃兰州730124【正文语种】中文【中图分类】TP301【相关文献】1.基于搜索引擎的社会网络个体关系评估实现 [J], 白斌;罗军勇;刘琰2.基于地理信息的最短交通线路启发式搜索算法 [J], 井辉;张月3.基于在线社会网络的信息存储与搜索机制研究 [J], 郑倩冰;朱培栋;朱政坚4.基于MCMC技术的社会网络搜索 [J], 李坤朋;张宁5.基于Webkit的地理信息服务搜索关键技术研究 [J], 甘泉;刘建川;任春雷;曾衍伟因版权原因，仅展示原文概要，查看原文内容请购买。
贝叶斯网络的采样方法(九)
贝叶斯网络的采样方法贝叶斯网络是一种用来描述变量之间依赖关系的概率图模型，它使用有向无环图来表示变量之间的依赖关系，通过概率分布来描述变量之间的联合概率分布。
贝叶斯网络常用于机器学习、人工智能等领域，具有很强的表达能力和推理能力。
在实际应用中，贝叶斯网络需要通过对变量进行采样来进行推断，即根据当前已有的变量值，生成符合联合概率分布的新样本。
本文将介绍几种常见的贝叶斯网络采样方法。
1. 马尔可夫链蒙特卡洛采样（MCMC）MCMC是一种常用的贝叶斯网络采样方法，它通过构建一个马尔可夫链来进行采样。
MCMC算法的核心思想是利用马尔可夫链的遍历性质，对联合概率分布进行遍历，从而得到符合概率分布的样本。
MCMC算法的具体步骤包括初始化状态、迭代采样、接受-拒绝和状态转移等。
通过不断迭代，MCMC算法可以得到符合联合概率分布的样本，从而进行推断和预测。
2. 重要性采样（IS）重要性采样是一种基于权重的贝叶斯网络采样方法，它通过对样本进行加权来估计联合概率分布。
重要性采样的核心思想是利用已有的样本来估计新样本的概率分布，从而得到符合联合概率分布的样本。
重要性采样的具体步骤包括选择重要性函数、对样本进行加权、生成新样本和计算概率分布等。
通过对样本进行加权，重要性采样可以得到符合联合概率分布的样本，从而进行推断和预测。
3. 高斯混合模型采样（GMM）高斯混合模型是一种常用的概率模型，它可以用来对复杂的概率分布进行建模。
在贝叶斯网络中，可以使用高斯混合模型来进行采样，从而得到符合联合概率分布的样本。
高斯混合模型采样的核心思想是通过多个高斯分布的线性组合来对联合概率分布进行建模。
通过对高斯分布的参数进行估计和优化，高斯混合模型可以得到符合联合概率分布的样本，从而进行推断和预测。
总结贝叶斯网络的采样方法包括马尔可夫链蒙特卡洛采样、重要性采样和高斯混合模型采样等多种方法，它们都具有各自的特点和适用范围。
在实际应用中，可以根据具体的问题和数据特点选择合适的采样方法，从而进行推断和预测。
如何利用马尔可夫链蒙特卡洛进行高效贝叶斯网络推断(八)
马尔科夫链蒙特卡洛方法（MCMC）是一种基于马尔可夫链的随机模拟算法，用于求解复杂的贝叶斯网络推断问题。
在实际应用中，MCMC方法通常能够高效地估计贝叶斯网络的后验分布，从而实现对未知变量的推断。
本文将从MCMC方法的基本原理和应用实例出发，讨论如何利用MCMC方法进行高效的贝叶斯网络推断。
马尔科夫链蒙特卡洛方法是一种通过生成马尔可夫链来模拟目标分布的技术。
在贝叶斯网络推断中，我们通常希望求解未知变量的后验分布，即给定观测数据的条件下，未知变量的分布。
MCMC方法通过构建一个马尔可夫链，使其收敛到目标后验分布，从而实现对未知变量的推断。
MCMC方法的核心思想是利用马尔可夫链的平稳分布性质，将马尔可夫链的状态空间设置为后验分布的支撑集，从而实现对目标分布的有效采样。
MCMC方法在贝叶斯网络推断中的应用广泛。
例如，在医学诊断中，可以利用MCMC方法对患者的疾病风险进行推断；在金融风险管理中，可以利用MCMC方法对资产价格的未来走势进行预测。
MCMC方法的高效性和灵活性使得其成为贝叶斯网络推断的重要工具。
在利用MCMC方法进行贝叶斯网络推断时，一般需要进行以下步骤。
首先，需要定义贝叶斯网络的结构和参数。
贝叶斯网络由节点和边组成，每个节点表示一个随机变量，每条边表示两个变量之间的依赖关系。
参数则表示节点之间的条件概率分布。
其次，需要选择合适的MCMC算法。
常用的MCMC算法包括Metropolis-Hastings算法、Gibbs抽样算法等。
不同的算法适用于不同类型的贝叶斯网络。
然后，需要进行MCMC采样。
这一步骤通过迭代生成马尔可夫链的状态序列，从而实现对后验分布的近似采样。
最后，需要对MCMC采样结果进行分析和后处理。
这一步骤包括对采样序列进行燃烧期和收敛诊断，以及对后验分布的统计推断。
在实际应用中，MCMC方法通常能够高效地估计贝叶斯网络的后验分布。
然而，MCMC方法也存在一些局限性。
首先，MCMC方法的收敛性和效率依赖于马尔可夫链的参数选择和初始值设定。
如何利用马尔可夫链蒙特卡洛进行高效概率网络推断(十)
在概率网络推断中，马尔可夫链蒙特卡洛（MCMC）是一种非常重要且有效的方法。
它可以帮助我们从复杂的概率分布中进行采样，从而解决概率网络中的推断问题。
本文将探讨如何利用马尔可夫链蒙特卡洛进行高效概率网络推断的方法和技巧。
首先，我们需要了解概率网络推断的基本概念。
概率网络是由一组变量和它们之间的概率关系构成的图结构。
推断问题即为在给定一些观测变量的情况下，推断未观测变量的概率分布。
这个问题在许多领域都有着广泛的应用，比如机器学习、人工智能、生物信息学等。
传统的推断方法往往面临着计算复杂度过高的问题，尤其是在概率网络结构复杂、变量数量巨大的情况下。
这时，MCMC方法就显得尤为重要了。
MCMC可以通过马尔可夫链的方式，从目标概率分布中进行采样，从而得到对概率分布的近似。
其核心思想是构建一个马尔可夫链，使其收敛到目标概率分布，从而得到概率分布的样本。
那么，如何利用MCMC进行高效的概率网络推断呢？首先，我们需要选择合适的MCMC算法。
常用的MCMC算法有Metropolis-Hastings算法、Gibbs采样算法等。
在选择算法时，需要根据实际问题的特点来进行选择，比如是否存在联合分布的解析形式、变量之间的条件依赖关系等。
其次，我们需要进行合适的马尔可夫链的设计。
马尔可夫链的设计对于MCMC 的性能有着重要的影响。
一个好的马尔可夫链应该具有快速的收敛性和低的自相关性。
我们可以通过调整马尔可夫链的转移核函数、步长等参数来实现这一点。
另外，我们还可以利用一些加速技巧来提高MCMC的效率。
比如，在采样过程中进行一些特殊的操作，比如重要性采样、分解采样等。
这些技巧可以帮助我们避免一些无效的采样，从而提高采样的效率。
此外，我们还可以利用一些并行化技术来加速MCMC算法。
比如将采样过程分布到多个计算节点上进行并行计算，从而加快整个采样过程。
当概率网络规模较大时，这些技术可以显著提高推断的效率。
总的来说，利用MCMC进行高效的概率网络推断是一个复杂且需要技巧的过程。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第２ ８卷 第 １ ０期
２０ ０ ８年 １ 月 ０
文章 编号 ： ０ — ０ １ ２０ ）０— ６ ０— ４ １ １ ９ ８ （０ ８ １ ２ ０ ０ ０
计 算机 应用
Ｃｏ ｕｔｒ Ａｐ ｌ ａｉ ｎ ｍｐ ｅ ｐ ｉ ｔ ｓ ｃ ｏ
中 图分 类 号 ： ９ ；Ｐ ９ Ｎ ４Ｔ ３３ 文献标志码 ： Ａ
Ｓ ａ ｃ ｎ ｏ ｉ ｌｎｅｗｏ ｋ ｓｎ ＣＭ Ｃ ｌｏ ｉｈｍ ｅ ｒ ｈ ｉ ｓ ｃａ ｔ ｒ ｓ ｕ ｉ ｇ Ｍ ａ ｇ ｒｔ
Ｌ ｎ— ｅ ｇ ＺＨＡＮＧ ｎ ＩＫｕ ｐ ｎ ， Ｎｉ ｇ
况， 坐标体 系只是 用于网上距 离的计算 。将算法用于模 拟数据（ 根据一维和二维理想模 型产生的 图） 和真 实的社会 网
络数 据 均 有 很 好 的 查 询 效 率 ， 询 成 功 率 高 ， 功查 询 平 均 步 长短 。 查 成 关键词 ： 复杂 网络 ； 蒙特 卡 罗方 法 ； 世 界 ； 婪 搜 索 小 贪
Ｖｏ ． ８ Ｎｏ １ １２ ． ０ Ｏｃ ． ２ ０８ ｔ ０
基 于 ＭＣ ＭＣ技 术 的社 会 网络 搜 索
李坤 朋 ， 张 宁
（Ｉ 理 工 大 学 管理 学 院 ， ： 海 上海 ２０ ９ ） ００ ３
（ａｋｉ ２０ ＠ １６ ＣＩ ｊ ｌｎ ００ ２ ．ＯＩ ｃ ｏ Ｔ ）
０ 引言
小１ 界现象 的现代 概 念起 源于 心理 学 家 Ｍｉｒｍ在 ２ 廿 ｌａ ｇ Ｏ 世纪 ６ ０年代所做的实验 。该 实验表 明社 会 网络 中的人们 能 有效地找到到 特定 Ｅ的地 的路 径。最近 的基 于 因特 网的研 １
究 也证 实 了 这一 点 。 能 产 生 短 直径 的 图 模 型 已经 出 现 了很 长 时 间 ＿ 总 的 来 ｒ，
的函数 ， 是对 Ｇ中节点位置的分配。 ｄ表示 图上距离 。 Ｅ为 Ｉ中 ， 的点组成的边的集合 ， 编号 １ … ， 假定边 由 Ｋｅｎ ｅｇ 型 ， ｍ。 ｌｉｂ ｒ 模 得来 ， 则某一 Ｅ出现的概率是 ：
（ ｏｅｅｏ ｎｇ ｍ ｎ，Ｕ ｉｒｉ ａｇ ａ ｒ ｃ ｎｅａ ｄＴｃｎｌｇ，Ｓ ａｇ ａ ０ ０ ３ ｈｎ ） Ｃ ｌｇ Ｍａ ａｅ ｅｔ ｎｖ ｓｙｏ Ｓ ｎｈ ｉｏ ｉ ｃ ｎ ｅ ｏｏｙ ｈ ｎｈ ｉ ０ ９ ，Ｃ ｉａ ｌ ｆ ｅｔｆｈ ｆ Ｓｅ ｈ ２
Ａｂｓｒ ｃ ： Ｅｘ ｅ ｉ ｅ ｔ ａ ｄ ｔ ｅ ｒ ｔ ａ ａ ａｙ ｉ ｄ ｍｏ ｓｒ ｔ ｈ ｔ ｈ ｒ ｐ ｔ ｅ ｉｔ ｉ ｏ ｉｌ ｎ ｔ ｒ ｓ ａ ｄ ｅ ｐ ｅ ａ ｔａ ｔ ｐ ｒｍ ｎ ｓ ｎ ｈ ｏ ｅｉ ｌ ｎ ｌｓｓ ｅ ｎ ｔａｅ ｔ ａ ｓ ｏ ｔ ａｈ ｘｓ ｎ ｓ ｃ ａ ｅ ｗｏ ｋ ， ｎ ｐ ｏ ｌ ｃ ｎ ｃ
ｔ ｅ Ｓ ｃ ｅ ｓ ｒ ｔ ｏ ｑ ｉ ｓ ｈ ｇ ｎ ｈ ａ ｔｐ ｌ ｎ ｔ ｆｓ ｃ ｅ ｓｉ ｑ ｉ ｓｓ ｏｔ ｈ ｕ ｃ ｓ ａｅ ｆｉ ｕｒ ｉ ｉｈ ａ ｄ ｔ ｅ ｍｅ ｎ ｓｅ ｅ ｇｈ ｏ ｕ ｃ ｓ ｎ ｕｒ ｉ ｈ ｒ ｎ ｙ ｙ ． Ｋｅ ｒ ｓ ｏ ｌｘ ｎ ｔ ｏ ｋ ｙ ｗｏ ｄ ：ｃ ｍｐ ｅ ｅｗ ｒ ；Ｍｏ ｔ— ｒｏ ａｇ ｒ ｈ ｎｅ Ｃａｌ ｌ ｏ ｉ ｍ；ｓ ｌ ｗ ｒｄ ｒ ｅ ｙ ｒ ｕ ｉ ｇ ｔ ｍａｌ ｏ ｌ ；ｇｅ ｄ ｏ ｔ ｎ
ｏ ｌ ｆ ｅｃ ｍ ｕａ ｏ ｆｎ ｔｏｋ ｄｓ ｎ ｅ ｈ ｌ ｒ ｈ ａ ｅｔ ｓ ｇ ａ ｉｃ ｌ ｅ ｅａ ｄ ｄ ｔ ｇａ ｈ ｅ ｅａ ｄ ｎｙ ｏ ｔ ｏ ｐ ｔ ｉｎ ｏ ｅ ｒ ｉ ａ ｃ ．Ｔ ｅ ａｇｉ ｍ ｗ ｓ ｔ ｅ ｕ ｉ ｒ ｆ ｉ ｌ ｇ ｎ ｒｔ ａ ｒｈ ｔ ｗ ｔ ｏｔ ｓｄ ｎ ｔ ａｙ ｉ ｅ ａ（ ｒｐ ｓ ｇｎ ｒｔ ｅ ａ ｃｒ ｉ ｅ ｉ ａ ｍ ｄ ｌ ｎｏ ｅａ ｄｔ ｏｄｍ ｎ ｉ ｓ ａ ｅ ｓｒａ ｓ ｃ ｌ ｅ ｏｋ ｄ ｔ．Ｔ ｅｒｓｌ ｉ ｐｅ ｙｓｔ ｆｃ ｒ： ｃ ｏ ｎ ｔ ｔ ｅ ｌ ｏ ｅ ｉ ｌ ｎ ｉ ｅ ｓ ｎ ） ｓｗ ｌ ａ ｅｌ ｏｉ ｔ ｒ ａ ｄ ｇ ｏｈ ｄ ｑ ｗ ｏ ｌ ａｎ ｗ ａ ｈ ｅｕｔ ｓ ｒｔ ａｉ ａｔ ｙ ｔ ｓ ｏ
ｇｖ ｎ ｓ ｏ ｔｕ ｒ ｐ ｎ ｏａ ｏ ｅｏｒｔ ｍｅ ｉｎ ｌｇ ｉ ｉｅ ｈ ｒｃ ｔｇ ａ ｈ ｉｔ ｎ ｗｏｄｉ ｎｓｏ ａ ｒｄ．Ｔｈ ｓａｇ ｒｔ ｉ ｌｏ ｈｍ ｓｒ ａｉ ｏ ｉｎ ｅ ｎｄｔ ｅ ｃ ｏ ｄｉａ ｅｓ ｓｅ ｗａ ｓ ｄ ｉ ｗａ ｅ ｌｔ ｒｅ ｔｄ ａ ｈ ｏ ｒ ｎ ｔ ｙ ｔ ｍ ｓｕ ｅ ｙ—
ｓ ａｃ ａ ｇ ｔｉ ｅ ｔｐ ． Ｇｒｅ ｙ ｒ ｕ ｉｇ ｉ ｏ ｉｌ ｎ ｔ ｒ ｓ ｗ ｓ ｅ ｐ ｏｅ ． Ａ ｅ ｒ ｈ ａｔ ｒｅ ｎ ａ ｆｗ ｓｅ ｓ ｅ ｄ ｏ ｔ ｎ ｓ ｃ ａ ｅｗｏｋ ａ ｘ ｌ ｒｄ ｎ ｎ ＭＣ ＭＣ ＇ｇ ｒｔ ｍ ｗａ ｉｅ ｏ ｅ ｅ ａ ｏｉ ｓ ｇｖ ｎ ｔ ｍ络 中存在 着短路 径 ， ，ｆ 以在 较 少的步数 内找 到 目标。研 究了社 会 网络 中 即／－ｌ ４可
的 贪婪 搜 索现 象 ， 出 了将 长程 连 接 图嵌 入 底 层 一 维 和 二 维 网格 的 马 尔科 夫链 蒙 特 卡 罗 方 法 。该 方 法 更 符 合 现 实情 给