基于認知網絡的網絡優化算法研究

包榮鑫 黎子熠 張思萌 劉嘉瑩

【摘要】 認知網絡作為網絡的發展方向而受到廣泛研究。本文針對認知網絡的關鍵技術之一的上下文感知技術著手，構建了一個上下文系統模型，模型中采用了標記模型對上下文進行建模。在基于認知網絡的網絡優化研究的三個方向中，文章從生存周期優化著手，提出了基于上下文的能量均衡的簇頭選舉算法，該算法能夠有效的均衡網絡的節點能量，延長網絡的生存周期。

【關鍵詞】 認知網絡 上下文語義

一、在介紹該算法前，我們首先定義LCA和SLCA

LCA：對于XML樹中的任意兩個節點n1和n2，它們的LCA（Lowest common ancestor）是距離它們最近的公共上層節點。

SLCA：對于XML樹中的任意兩個節點n1和n2，它們的SLCA（smallest lowest common ancestor）是它們的LCA，并且這個LCA所構成的子樹是所有兩個節點的LCA構成子樹中高度最小的一個。

二、上下文語義

本算法中的關鍵詞的語義實際上是節點的上下文相關語義，該語義包括屬性，父節點，為了方便結果的處理，算法將節點的Deway碼也加入節點的語義中。所以節點的語義其實就是一個集合，我們把節點nodei的上下文語義極為Semantic（nodei），其定義如下：

其中Property（son）是指子節點（即節點屬性），father表示父節點，grandfather表示祖父節點，Deway（nodei）指nodei的Deway編碼。

三、語義匹配

在信息檢索中有相關度的計算，語義匹配其實也可以算做是一種相關性計算，語義的匹配度就是指兩個關鍵詞中的節點語義的相互之間相似度的一個度量。對于節點node1和node2的語義匹配度的公式如下：

四、獲取LCA

我們得到兩個關鍵詞的語義匹配矩陣后，我們需要對矩陣進行處理，如果可以的話，使用分層算法得到兩個關鍵字的LCA，并處理其中合并的兩個節點，而代替的是LCA的根節點的語義集。合并過程中，優先對Deway碼相距最近的兩個節點進行。

對于匹配度為0的節點對的處理是：如果已經沒有更多的關鍵詞了，那么將所有匹配度為0的所有節點采用分層算法求出其LCA；如果還有其他關鍵詞，則不求LCA，而是保留節點并入結果集合中。

在合并過程中，合并后，我們將得到一個新的集合，合并后兩關鍵字的語義集。該集合中只包含合并的各個LCA的根子節點的語義集。

輸出的結果首先是看匹配度的高低然后看LCA子樹的高度，匹配度最高而且高度最低的LCA作為結果輸出.對所有的關鍵字語義進行匹配，將所有的比較完之后，找到最后的結果。具體算法如下：

五、結論

本論文的算法主要是為了得到使檢索結果中的數據盡可能的滿足用戶檢索需求的結果，本論文算法在LISA II算法基礎上加入關鍵字語義在算法執行過程中進行過濾，很顯然在計算效率上會有犧牲，當然在關鍵字個數不多時，多增加的消耗時間是可以接受的。