复杂网络关键参与者快速识别算法实现新突破

　　发现复杂网络中的关键参与者，对认识及优化网络整体效能至关重要。记者2日从国防科技大学获悉，该校系统工程学院研究人员创造性地提出了一种名为FINDER的深度强化学习AI算法，实现了对复杂网络中关键参与者的准确快速识别，在效果、性能及普适性等方面均超越了现有的解决方案。相关研究成果近日在《自然·机器智能》发表。

　　在复杂网络中，如果节点数增加，寻找关键节点的时间会呈指数级增长，这在计算机科学中被称为NP-hard问题，是优化算法领域的终极挑战。解决这一问题的传统解法包括精确算法、近似算法、启发式算法等算法，但这些算法在准确性和计算效率上难以取得令人满意的平衡。更重要的是，目前缺乏这一类问题的统一求解框架，以致同一类问题的不同应用场景都需要专门设计不同的算法。

　　据介绍，该校研究人员此次提出的FINDER是求解这类问题的统一算法框架。它能够在经典模型生成的小型合成网络中先行离线训练，而后根据特定问题场景奖励函数的指导，自动学习掌握“聪明”的选点策略——根据当前状态(即当前观察到的网络结构)，选择能够获得最大预期回报的行动(即应选择的节点)。

　　多个大规模真实网络上的实验结果表明，与现有技术相比，FINDER在寻找复杂网络关键参与者的准确性和计算效率上均取得了更好的表现。特别是在效率上，可以轻松扩展到百万节点级的大规模网络。此外，FINDER还是一个高度灵活且通用的框架，只需更改其奖励函数，就可以应用于不同的问题场景。这为分析复杂网络的组织结构原理提供了新的分析范式。

　　据悉，该算法未来有望在人群流行病控制、药物的合理设计、疾病致病基因识别、社交媒体舆论引导及谣言阻断等方面发挥重要作用。