Hypergraph immunization: a community-based adaptive ant colony optimization approach
Abstract
随着网络规模扩展与结构复杂性的提升, 传染病或信息传播过程往往由群体交互所驱动并呈现显著的高阶特征, 使得在高阶网络中的传播控制与免疫优化面临挑战. 在有限免疫资源约束下, 如何精准识别关键免疫节点以有效抑制传播, 已成为网络科学中的重要问题. 然而, 现有免疫策略多基于二元关系网络, 难以刻画现实系统中普遍存在的多主体群体交互机制. 超图作为一种能够自然表达高阶交互关系的建模框架, 为研究群体驱动的传播与免疫问题提供了新的视角. 针对超图免疫任务, 本文提出了一种基于社区划分的自适应蚁群优化免疫策略(HACO, Hypergraph Immunization: A Community-based Adaptive Ant Colony Optimization Approach). 该方法在社区层面分配免疫资源, 并结合自适应蚁群搜索机制, 实现对免疫节点集合的高效寻优. 基于超图 SIR 模型的实验结果表明, 在四个真实超图数据集及不同感染率条件下, HACO 均能显著降低感染峰值, 且整体性能优于六种基准方法；相较于最优对比方法, 其平均感染峰值进一步降低 2.41%–5.25%. 本研究为高阶网络中的传播控制提供了一种高效且通用的优化框架, 对传染病防控与复杂系统治理具有重要应用价值.
Fields of Study & Subjects
Complex Network Analysis Techniques
Mathematical and Theoretical Epidemiology and Ecology Models
Artificial Immune Systems Applications
Publication details
- Journal / source
- Acta Physica Sinica
- Volume
- 75
- Issue
- 10
- Publication date
- 1 January 2026
- Language
- ZH