شناسایی جوامع در شبکه های پیچیده با الگوریتم بهینه سازی

شبکه های پیچیده با ماهیت پویا و برهم کنشهای غنی میان، اجزایشان رویکردی نوین برای مدل سازی پدیده های پیچیده در حوزه های متنوع ارائه میدهند. درک ساختار زیربنایی این شبکه ها، به ویژه شناسایی، جوامع چالش حیاتی محسوب میشود که به دلیل ماهیت NP-سخت آن، رویکردهای سنتی را با محدودیت مواجه میسازد. این مقاله به منظور غلبه بر این چالش، یک روش فراابتکاری نوین مبتنی بر الگوریتم بهینه سازی گورکن عسل خوار را برای تشخیص جوامع در شبکه های پیچیده پیشنهاد می کند. روش پیشنهادی در محیط نرم افزاری MATLAB پیاده سازی و کارایی آن با استفاده از چهار مجموعه داده حقیقی و شناخته شده باشگاه کاراته، زاخاری شبکه فوتبال کالج، آمریکایی شبکه دلفینها و شبکه (پول بوکز مورد ارزیابی قرار گرفت. عملکرد الگوریتم با دو شاخص استاندارد پیمانگی Modularity) و اطلاعات متقابل نرمال شده (NMI) تحلیل شد. نتایج نشان داد الگوریتم HBA عملکردی برجسته از خود نشان میدهد بالاترین میانگین پیمانگی برای مجموعه داده فوتبال با مقدار ۰.۶۰ و پایین ترین آن برای کاراته با مقدار ۰.۴۰ به دست آمد که حاکی از کشف ساختارهای جامعه ای با انسجام قوی است اما در تحلیل HBA، NMI توانست در شبکه های دلفین کاراته و Polbooks به تطابق کامل با ساختار واقعی مقدار (۱.۰۰) دست یابد، در حالی که بالاترین میانگین NMI برای دلفنین با ۰.۹۸ و کمترین آن برای فوتبال با ۰.۹۵ بدست آمد این نتایج برتری روش پیشنهادی HBA را در مقایسه با سایر رویکردهای موجود برای شناسایی جوامع در شبکه های پیچیده اثبات میکنند.

کلیدواژه ها:

شبکه پیچیده ، شبکه اجتماعی ، تشخیص اجتماع ، الگوریتم بهینه سازی گورکن عسلخوار