社会网络是复杂网络的一支,它以社会生活中人类或组织的行为活动为研究对象,将其抽象为相互作用的个体组成的网络。这样的网络无处不在,并且与我们的生活密切相关,如演员合作网络、科学家合作网络、恐怖分子网络、疾病传染网络以及虚拟社会网络等等。通过研究社会网络的结构和性质,可以帮助我们更深刻的理解社会现象,对现实中的决策、管理、优化问题都有极其重要的意义。传统的社会网络研究是以静态的观点分析网络结构,例如网络的度分布、平均最短距离、聚类系数等。但是真实的社会网络是一个不断进化的系统,内部个体不断相互作用,个体之间的关系以及属性也是动态变化的,与之相应,网络的整体拓扑结构、网络性能、以及基于网络的各种行为都是动态变化的。社会网络的动态特性在近些年才开始被重视起来,Carley专门提出了动态社会网络(Dynamical social Network)的概念,指出社会网络的最重要特性即动态性,并试图建立一个组织模型来研究社会网络内信息以及决策流的特征。与社会网络动态性的外在表现相比,人们更好奇的是网络动态性的来源,即网络演化动力学。社会网络研究的一个目标是理解网络上各种动力学与网络拓扑结构的关系,而网络的形成方式和演化机制决定网络的结构,因此研究网络演化机制模型成为社会网络的研究前提和热点。这也是本文的任务之一。与传统方法不同,我们通过分析社会网络中个体的动态性,认为个体属性呈一种随时间衰减的动态变化规律,并可以通过外部刺激增强,我们称之为社会网络中的记忆效应。记忆效应的存在是导致网络拓扑结构的动态性的内在原因和网络演化的重要动力。基于个体动态性的分析,我们提出社会记忆网络动态模型,其中个体的吸引度随时间以指数衰减,吸引度可以通过增加新连接的方式增强,而个体每次增加新连接的概率正比于其动态变化的吸引度。由此而生成的社会记忆网络不仅具备了小世界和无标度特性,同时也具有动态演化的新旧交替式的网络拓扑结构,反应了真实网络的动态过程。我们采用真实数据对模型进行了验证并分析了网络中的记忆特性对网络结构和性能产生的影响。同时当记忆特性消失(衰减指数为0)时网络退化为经典的BA模型[35],因此可以说,社会记忆网络模型更具一般性。由于社会记忆网络中记忆特性的存在,网络中出现一批属性如热度(泛指社会网络中的吸引度、影响力等属性)只在某一时间段出现峰值的节点,而对于较长的时间段而言,这些热度最高的节点又是随时间动态变化的。这种节点在特定阶段具有很强的影响力,对网络拓扑结构的演化、网络中信息流通性能都具有重要的意义。在应用和分析中,我们常需要知晓它们在网络中的位置,而社会网络通常是很庞大的网络,如何在这样复杂的动态大型网络中发现并追踪热度最高的节点也成为一个挑战性的课题。针对这一问题,我们提出基于面向自治计算(AOC)的分布式搜索方法来寻找追踪网络中的这些重要节点。每个智能体作为一个独立的计算单元,仅仅在其局部环境中搜索,但是通过与环境和智能体相互之间的作用,在自身行为规则的引导下可以实现从局部环境自治的向全局目标逼近,并最终找到网络中的重要节点。在基于AOC方法的基础上,我们设计了多种具体的搜索策略,包括三种局部移动搜索策略、Levy Flight搜索策略以及可变概率搜索策略,并分析了各种策略的内在机理和搜索性能,包括搜索效率、鲁棒性、尺度可变性和时间复杂度。我们采用BBS网络的真实数据对算法进行测试验证,分析结果表明,基于AOC的搜索策略可以在大型的、动态的、离散式的网络环境中表现出优秀的搜索性能。除此之外,我们还建立了三种不同的人工网络环境测试,相应的搜索策略亦达到良好的搜索效果。因此,我们设计的基于AOC方法的分布式搜索策略具有一般推广性,可以有广阔的应用发展空间。