شناسایی وتحلیل گره های نفوذ به منظور بهبود تاثیر در شبکه های اجتماعی براساس الگوریتم فراابتکاری

هدف از مسئله حداکثر سازی تاثیر، انتخاب مجموعهای از k گره با بیشترین نفوذ از یک شبکه است به طوریکه انتشار تاثیر توسط مجموعه دانه حداکثر خواهد شد. الگوریتم های حریصانه جهت تقریب انتشار تاثیر مورد انتظار مجموعه گره به صورت دقیق زمان بربوده و برای شبکه های بزرگ به ویژه در صورت بزرگ بودن احتمال انتشار، قابل مقیاس بندی نیستند. الگوریتم های اکتشافی معمول بر اساس توپولوژی شبکه یا مسیرهای انتشار محدود از مسئله دقت جواب کم یا هزینه حافظه هنگفت، آسیب دیده اند. در این مقاله، یک الگوریتم جهش ترکیبی قورباغه (DSFLA) جهت حل مسئله بیشینه سازی تاثیر به صورت کاراتر، پیشنهاد میشود. مکانیزم رمزگذاری جدید و قوانین تکاملی گسسته بر اساس ساختار توپولوژی شبکه برای جمعیت قورباغه های مجازی، ارائه میشوند. جهت تسهیل در پاسخ اکتشافی کلی، یک مکانیزم بهره برداری محلی جدید با ترکیب استراتژی های تعینی و مسیر تصادفی جهت بهبود میم زیر بهینه هر ممپلکس در جمعیت قورباغه ها ارائه میشود. نتایج آزمایشگاهی انتشار موثر در شش شبکه واقعی و آزمونهای آماری نشان میدهند که DSFLA از عملکرد موثری در انتخاب گره های دانه نفوذی هدفمند جهت حداکثر شدن تاثیر برخوردار بوده است و عملکرد بهتری نسبت روشهای جدید جایگزین داشته است.

کلیدواژه ها:

شبکه های اجتماعی ، بازاریابی ویروسی ، حداکثر شدن تاثیر ، الگوریتم جهش ترکیبی قورباغه گسسته ، هوش ازدحامی