【C0015】LLM+进化算法：动态生成网络关键节点识别函数
2026-03-05
项目概述
本项目实现了一种基于大语言模型（LLM）的进化算法，用于动态生成复杂网络中的节点重要性评估函数。核心创新在于不依赖人工预设的固定算法（如度中心性、PageRank 等），而是通过 LLM 驱动遗传编程，让评分函数自主进化，最终找到能最有效识别关键节点的最优函数。
关键技术流程
1. 初始化
用传统中心性算法（度中心性、PageRank 等）作为初始种群。
2. 评估
通过删除高分节点后网络的连通性损失程度（fitness）来评估函数效果。
3. 进化
LLM 负责函数的交叉融合（crossover）和随机变异（mutation）。
4. 选择
保留 fitness 高的精英个体，淘汰效果差的函数。
5. 迭代
多代进化后得到最优的节点评分函数。
使用流程
1. 环境准备
安装所需库：
openai、networkx、numpy、pandas等配置 OpenAI API 密钥（文档中显示已配置特定端点和密钥）
2. 数据准备
将
董事网络数据.xlsx文件放置在./data/目录下数据格式要求：包含三列（
source,target,weight）的边列表
3. 运行代码
直接运行主程序，代码会自动：
读取 Excel 数据并构建网络图（4624 个节点，11495 条边）
初始化包含传统算法的种群
进行多代进化训练（默认 15 代）
输出每一代的最优 fitness 值
4. 获取结果
最终生成
best_score_nodes.py文件，包含进化得到的最优评分函数控制台输出训练过程和最终评估结果
得到专门针对该董事网络数据优化后的节点重要性算法
核心价值
该方法能够自动发现针对特定网络结构最优的关键节点识别策略，比传统固定算法更具适应性和效果优势，特别适合复杂网络分析、关键节点挖掘等研究场景。
参考文献
Mao, Jinzhu, et al. "Identify critical nodes in complex network with large language models." arXiv preprint arXiv:2403.03962 (2024).
兑换码获取