促进同步的复杂网络结构的数据驱动设计
Data-driven design of complex network structures to promote synchronization
AI总结：
针对节点动力学未知导致传统优化失效的问题，提出数据驱动方法设计复杂网络互连图，并通过线性与非线性案例验证其可获得统计上更优的同步性能。
摘要：
我们考虑优化复杂网络的互连图以促进同步的问题。当传统优化方法因节点动力学不确定或未知而无法适用时，我们提出一种利用相关示例数据集的数据驱动方法。我们分析了两个案例研究，分别涉及线性和非线性节点动力学。首先，我们展示了将节点动力学纳入目标函数如何使最优图变得异质。随后，我们比较了各种设计策略，发现最佳策略要么利用接近特定 Pareto 前沿的数据样本，要么采用神经网络与遗传算法的组合，其性能在统计上优于数据集中的最佳示例。
英文摘要：
We consider the problem of optimizing the interconnection graphs of complex networks to promote synchronization. When traditional optimization methods are inapplicable, due to uncertain or unknown node dynamics, we propose a data-driven approach leveraging datasets of relevant examples. We analyze two case studies, with linear and nonlinear node dynamics. First, we show how including node dynamics in the objective function makes the optimal graphs heterogeneous. Then, we compare various design strategies, finding that the best either utilize data samples close to a specific Pareto front or a combination of a neural network and a genetic algorithm, with statistically better performance than the best examples in the datasets.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
