KL算法介绍

Kernighan-Lin算法是一种试探优化的方法，其基本的思想是为网络引入一个试探函数Q，Q代表某两个准社团内部的边数减去两个准社团之间的边数的差值，然后得到使Q值最大的划分方法。

首先将整个网络的节点随机的或根据网络的现有信息分为两个部分，在两个社团之间考虑所有可能的节点对，试探交换每对节点并计算交换后的ΔQ，ΔQ=Q交换后-Q交换前，记录ΔQ最大的交换节点对，并将这两个节点互换，记录此时的Q值。规定每个节点只能交换一次，重复这个过程直至网络中的所有节点都被交换一次为止。需要注意的是不能在Q值发生下降时就停止，因为Q值不是单调增加的，既使某一步交换会使Q值有所下降，但其后的一步交换可能会出现一个更大的Q值。在所有的节点都交换过之后，对应Q值最大的社团结构即被认为是该网络的理想社团结构。

KL算法是将网络分成两个指定规模大小的社区。

算法参数介绍

kernighan_lin_bisection(G, partition=None, max_iter=10, weight=‘weight’, seed=None)

G：图

partition：（元组格式）一对包含初始分区的iterables。如果未指定，则使用随机平衡分区。

max_iter：尝试交换在放弃前找到改进的最大次数。

weight：权重。如果没有，则所有权重都设置为1。

seed：随机数生成状态的指示器。

return：表示两个社区的一对节点。

返回类型：tuple(元组)

代码

import networkx as nx

import matplotlib.pyplot as plt

from networkx.algorithms import community

from networkx.algorithms.community import kernighan_lin_bisection

def draw_spring(G,com):

'''

G:图

com：划分好的社区

node_size表示节点大小

node_color表示节点颜色

node_shape表示节点形状

with_labels=True表示节点是否带标签

'''

pos = nx.spring_layout(G) # 节点的布局为spring型

NodeId = list(G.nodes())

node_size = [G.degree(i)**1.2*90 for i in NodeId] # 节点大小

plt.figure(figsize = (8,6)) # 图片大小

nx.draw(G,pos, with_labels=True, node_size =node_size, node_color='w', node_shape = '.')

color_list = ['pink','orange','r','g','b','y','m','gray','black','c','brown']

# node_shape = ['s','o','H','D']

for i in range(len(com)):

nx.draw_networkx_nodes(G, pos, nodelist=com[i], node_color=color_list[i], with_labels=True)

plt.show()

if __name__ == "__main__":

G = nx.karate_club_graph() # 空手道俱乐部

# KL算法

com = list(kernighan_lin_bisection(G))

print('社区数量', len(com))

# print(com)

draw_spring(G,com)

结果：

这就是KL算法划分的结果，分为两个社区，用不同的颜色表示出来。

可以用print(com)语句查看划分后社区中的节点。

参考文献：Kernighan B W, Lin S. A efficient heuristic procedure for partitioning graphs. Bell System Technical Journal, 1970 (49): 291-307.

论文地址：论文地址传送门

KL社区发现算法概述与源码解析

KL算法介绍

算法参数介绍