基于认知网络的网络优化算法研究

包荣鑫 黎子熠 张思萌 刘嘉莹

【摘要】 认知网络作为网络的发展方向而受到广泛研究。本文针对认知网络的关键技术之一的上下文感知技术着手，构建了一个上下文系统模型，模型中采用了标记模型对上下文进行建模。在基于认知网络的网络优化研究的三个方向中，文章从生存周期优化着手，提出了基于上下文的能量均衡的簇头选举算法，该算法能够有效的均衡网络的节点能量，延长网络的生存周期。

【关键词】 认知网络 上下文语义

一、在介绍该算法前，我们首先定义LCA和SLCA

LCA：对于XML树中的任意两个节点n1和n2，它们的LCA（Lowest common ancestor）是距离它们最近的公共上层节点。

SLCA：对于XML树中的任意两个节点n1和n2，它们的SLCA（smallest lowest common ancestor）是它们的LCA，并且这个LCA所构成的子树是所有两个节点的LCA构成子树中高度最小的一个。

二、上下文语义

本算法中的关键词的语义实际上是节点的上下文相关语义，该语义包括属性，父节点，为了方便结果的处理，算法将节点的Deway码也加入节点的语义中。所以节点的语义其实就是一个集合，我们把节点nodei的上下文语义极为Semantic（nodei），其定义如下：

其中Property（son）是指子节点（即节点属性），father表示父节点，grandfather表示祖父节点，Deway（nodei）指nodei的Deway编码。

三、语义匹配

在信息检索中有相关度的计算，语义匹配其实也可以算做是一种相关性计算，语义的匹配度就是指两个关键词中的节点语义的相互之间相似度的一个度量。对于节点node1和node2的语义匹配度的公式如下：

四、获取LCA

我们得到两个关键词的语义匹配矩阵后，我们需要对矩阵进行处理，如果可以的话，使用分层算法得到两个关键字的LCA，并处理其中合并的两个节点，而代替的是LCA的根节点的语义集。合并过程中，优先对Deway码相距最近的两个节点进行。

对于匹配度为0的节点对的处理是：如果已经没有更多的关键词了，那么将所有匹配度为0的所有节点采用分层算法求出其LCA；如果还有其他关键词，则不求LCA，而是保留节点并入结果集合中。

在合并过程中，合并后，我们将得到一个新的集合，合并后两关键字的语义集。该集合中只包含合并的各个LCA的根子节点的语义集。

输出的结果首先是看匹配度的高低然后看LCA子树的高度，匹配度最高而且高度最低的LCA作为结果输出.对所有的关键字语义进行匹配，将所有的比较完之后，找到最后的结果。具体算法如下：

五、结论

本论文的算法主要是为了得到使检索结果中的数据尽可能的满足用户检索需求的结果，本论文算法在LISA II算法基础上加入关键字语义在算法执行过程中进行过滤，很显然在计算效率上会有牺牲，当然在关键字个数不多时，多增加的消耗时间是可以接受的。