ارائه روشی برای بهبود الگوریتم ژنتیک مبتنی بر روش تبرید شبیه سازی شده برای شناسایی جوامع در شبکه های پیچیده

به طور گسترده، شبکه های پیچیده در هر جنبه از جامعه بشری به کار گرفته میشوند و امروزه، شناسایی جوامع مرکز توجه بسیاری از شبکه های پیچیده می باشد. شناسایی جوامع، بخش جدایی ناپذیری از شبکه های اجتماعی می باشد که نقش بسیار مهمی در طیف وسیعی از کاربردها، ایفا می کند. محققان، الگوریتم های زیادی را برای کشف ساختارهای اجتماعی شبکه ها به دست آورده اند اما هنوز الگوریتم مشخصی برای اینکه بتواند بهترین نتایج را برای همه شبکه ها تولید کند، وجود ندارد. در این مقاله، به منظور بهبود نسبت دقت تشخیص جامعه و توانایی حل مسائل شناسایی جوامع، روشی مبتنی بر مدولاریته برای بهبود الگوریتم ژنتیک پیشنهاد شده است. الگوریتم ژنتیک بهبود یافته از روش پیمانه ای به عنوان تابع هدف استفاده می کند که می تواند از تعداد ساختارهای جامعه استفاده کرده و دقت شناسایی جوامع را بهبود بخشد. بنابراین، این الگوریتم روش تبرید شبیه سازی شده را به عنوان روش جستجوی محلی در نظر میگیرد که میتواند با تنظیم پارامترها، توانایی جستجوی محلی را بهبود بخشد. نتایج به دست آمده نشان می دهد، الگوریتم ژنتیک بهبود یافته می تواند به طور موثری ساختار جوامع شبکه های اجتماعی Zachary، Dolphin، football و Polbooks و غیره را شناسایی کند. این الگوریتم ، قادر است % ۱۰۰ از اطلاعات ساختار جامعه را در شبکه اجتماعی Zachary تشخیص دهد. همچنین، مقادیر NMI به دست آمده توسط الگوریتم ژنتیک بهبود یافته بزرگ تر از ۰.۸ است. بنابراین، مقادیر NMI این الگوریتم بزرگتر از مقادیر دیگر می باشند و این نشان می دهد که جوامع شناسایی شده توسط الگوریتم ژنتیک بهبود یافته در مقایسه با دیگر جوامع در Zachary بیشتر به جوامع واقعی نزدیکتر می باشند و در حدود ۰.۷ پس از نسل پنجم است. بنابراین، برای شبکه Zachary، الگوریتم بهبود یافته ژنتیک بهترین نتیجه را می دهد و این بدان معناست که ساختار جوامع شناسایی شده توسط این الگوریتم ، به ساختار واقعی نزدیکتر می باشند. همچنین، در مقایسه با الگوریتم های دیگر نتایج شبیه سازی بر روی شبکه های دیگر نشاندهنده کارایی الگوریتم ژنتیک بهبود یافته می باشد.

کلیدواژه ها:

شناسایی جوامع ، شبکه های پیچیده ، الگوریتم ژنتیک ، شبکه های اجتماعی