Hypergraph immunization: a community-based adaptive ant colony optimization approach

doi:10.7498/aps.75.20251764

2026-05-19

PRE

DOI：10.7498/aps.75.20251764

原文链接

原文求助

摘要

En 中文

随着网络规模扩大和结构复杂性增加，传染病和信息的传播往往依赖于群体交互，表现出显著的高阶特性。这些高阶交互在控制传播和优化免疫方面对复杂网络构成重大挑战。在免疫资源有限的约束下，准确识别关键免疫节点以有效抑制疾病传播已成为网络科学的核心问题。然而，现有免疫策略主要依赖网络中的两两关系，无法捕捉真实系统中普遍存在的多智能体、群体级交互。超图作为一种自然表示高阶交互的建模框架，为解决群体驱动的传播与免疫问题提供了新视角。为解决超图免疫问题，本文提出了一种基于社区的自适应蚁群优化策略（HACO：超图免疫：一种基于社区的自适应蚁群优化方法）。该方法在社区层面分配免疫资源，并利用自适应蚁群优化机制高效搜索和优化免疫节点的选择。通过基于社区的资源配置策略，各社区的大小与重要性引导免疫预算的分配，确保资源精准高效应用。结合自适应搜索机制，HACO精细调整免疫过程，平衡探索与利用以实现更优优化。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下，HACO显著降低感染峰值，并持续优于六种基线方法。具体而言，相较于表现最佳的基准方法，HACO进一步将平均感染峰值降低2.41%-5.25%。这些结果凸显HACO方法为高阶网络中的传播控制提供了高效优化框架。该发现对群体交互和更高阶动态驱动的复杂系统中的流行病预防、疾病控制及治理具有重大意义。本研究不仅深化了对复杂网络免疫理论的理解，也为公共卫生和网络管理提供了具有广泛应用的实用解决方案。

Keyword:

hypergraph

immunization strategy

ant colony optimization

epidemic spreading

community structure