چکیده:
شناسایی ساختارهای موجود در شبکههای اجتماعی، فرآیندی حائز اهمیت در تحلیل این شبکهها است. یکی از مسائلی که در سالهای اخیر در زمینه شناسایی ساختارهای شبکههای اجتماعی مطرح شده است، مسئله اجتماع یابی است. با توجه به اهمیت این موضوع، تاکنون روشهای حل متنوع و گوناگونی برای اجتماع یابی پیشنهاد شده است. در پژوهش حاضر، یک الگوریتمی ترکیبی از روشهای بهینهسازی علفهای هرز و ژنتیک پیشنهاد شده است که هدف آن یافتن جوابهای مناسب و باکیفیت برای مسئله اجتماع یابی است. در این روش ترکیبی، جوابهای اولیه توسط روش بهینهسازی علفهای هرز تولید میشوند و در ادامه جوابهای یافته شده بهوسیله الگوریتم ژنتیک در فرآیند بهینهسازی، بهبود مییابند. ارزیابی برازندگی جوابها، مبتنی بر معیار چگالی پودمانگی است. چگالی پودمانگی، معیاری با ماهیت بیشینهسازی است که میزان کیفیت اجتماعات کشفشده را به دست میدهدمشخص می کند. بهمنظور بررسی کیفیت جوابهای الگوریتم پیشنهادی، نتایج این روش نسبت به چهار الگوریتم علفهای هرز، ژنتیک، الگوریتم کرم شبتاب و یک الگوریتم جستجوی کاملا تصادفی مقایسه شدهاند. پارامترهای این الگوریتمها به کمک یک رویکرد طراحی آزمایشها تنظیم شدهاند. این مقایسات بر روی شبکههای محک گوناگون و با ابعاد متفاوت انجام شدهاند. با توجه به نتایج بهدستآمده، میتوان دریافت که الگوریتم پیشنهادی قادر به تولید جوابهایی باکیفیت بالا است. اعتبارسنجی نتایج الگوریتمها نیز توسط شاخص اطلاعات متقابل نرمال انجام شده است.
خلاصه ماشینی:
رویکرد پیشنهادی این پـژوهش ؛ شـامل دو فاز است ؛ در فاز اول مسئله اجتماع یابی توسط الگوریتم بهینه سازی علف های هرز مهاجم حـل شده و جواب های اولیه با کیفیت مناسب پیدا خواهنـد شـد.
بـرادران و همکـاران (١٣٩٧- الـف ) در پـژوهش خودالگوریتم ژنتیک مبتنی بر روش تصمیم گیری چنـدمعیاره تاپسـیس ١٢ بـرای مسـئله اجتمـاع یابی پیشنهاد کردند که در هر تکـرار از ایـن روش ، جـواب هـای جمعیـت بـا اسـتفاده از روش تاپسیس رتبه بندی شده و بهترین جواب ها به عنوان کروموزوم های والد انتخـاب مـیشـدند.
روش اجرای این الگوریتم بـه ایـن شـرح اسـت کـه ابتـدا مسـئله اجتمـاع یـابی بـا هـدف بیشینه سازی چگالی پودمانگی توسط الگوریتم IWO حل شده و پـس از تعـداد تکـرار معـین ، جواب هایی که بیشترین میزان برازنـدگی را دارنـد، برگزیـده خواهنـد شـد.
(رجوع شود به تصویر صفحه) اعتبارسنجی الگوریتم ها در این پژوهش برای اعتبارسنجی الگـوریتم هـا، از شـاخص اطلاعـات متقابـل نرمـال ١ (NMI) به عنوان شاخصی که میزان دقت الگوریتم ها را در شناسـایی اجتماعـات باکیفیـت و درسـت از یک شبکه موردسنجش قرار میدهد، استفاده شده است .
Community detection in complex networks using genetic algorithms.
A Genetic Algorithm Based on Modularity Density for Detecting Community Structure in Complex Networks.
Genetic Algorithms for community detection in social networks.
The ground truth about mega- data and community detection in networks, Science Advances, 3(5), 1-8, DOI: 10.
GA-Net: A Genetic Algorithm for Community Detection in Social Networks.
A new heuristic algorithm for modularity optimization in complex networks community detection.
A Genetic Algorithm for Detecting Communities in Largescale Complex Networks.