تشخیص جوامع در شبکه های اجتماعی با استفاده از الگوریتم کلونی زنبور عسل مصنوعی

شبکه های اجتماعی اغلب برای مطالعه رابطه بین دو یا چند جفت موجودیت مورد استفاده قرار می گیرند. یکی از چالش های مسئله تشخیص جوامع ، عدم اطلاع از تعداد جوامع موجود در شبکه می باشد که باید بدون دانستن تعداد جوامع اقدام به شناسایی آنها کرد. تاکنون مسئله تشخیص جوامع از دیدگاههای مختلفی مورد بررسی قرار گرفته است ، در بیشتر روشهای ارائه شده شبکه ها به صورت ایستا در نظر گرفته می شوند و جنبه های پویایی شبکه های پیچیده نادیده گرفته می شوند. در روش پیشنهادی ، تلاش بر این است که یک مدل پویا برای تشخیص اجتماع در شبکه های پیچیده با استفاده از الگوریتم کلونی زنبورعسل مصنوعی ارائه شود. توابعی که برای تشخیص بهینه جوامع شبکه های پیچیده در نظر گرفته شده و از آنها برای محاسبه برازندگی راهحل های الگوریتم بهینه سازی کلونی زنبورعسل استفاده شدهاند؛ پراکندگی و ماژولاریتی بوده است . پراکندگی تلاش می کند تا در روش پیشنهادی تا حد امکان ارتباطات گرهها داخلی باشد و هدف کمینه کردن مقدار این شاخص می باشد. شاخص ماژولاریتی برای تعیین توانایی تقسیم بندی شبکه به اجتماعات استفاده شده است . روش پیشنهادی با پنج مجموعه داده ca-GrQc، ca-HepTh، ca-HepPh، ca-AstroPh و ca-CondMat ارزیابی شده است . پارامتر ارزیابی ، ماژولاریتی (پیمانگی ) است که نشاندهنده کیفیت تقسیم جوامع و نحوه افراز آنها می باشد. می توان نتیجه گیری نمود که روش پیشنهادی با مجموعه دادههای CA-HepPh، CA-GrQc، CA-CondMat، CA-AstroPh و CA-HepTh به ترتیب به میزان ۱۴۶۶۷,۰، مقدار ۰۹۶۹۶,۰، مقدار ۰۲۷۷۹,۰، مقدار ۰۹۹۴۱,۰، مقدار ۱۲۳۶۷,۰ نسبت به روش پایه یعنی روشهای مختلف الگوریتم بهینه سازی شاهین هریس ((HHO مبتنی بر شاهین هریس بهبود داشته است .

Keywords:

شبکه های اجتماعی , تشخیص جوامع , الگوریتم بهینه سازی کلونی زنبورعسل , پراکندگی , ماژولاریتی