هادی کلماتی - دانشجوی کارشناسی دانشکده مهندسی دانشگاه فردوسی مشهد
سعید عسکری بیلندی - دانشجوی کارشناسی دانشکده مهندسی دانشگاه فردوسی مشهد
محمدرضا اکبرزاده - استاد دانشکده مهندسی دانشگاه فردوسی مشهد

حوزه ی طبقه بندی شبکه های پیچیده در سال های گذشته یکی از حوزه های بسیار فعال بوده است. طبقه بندی شبکه های پیچیده اطلاعات بسیار سودمندی را در اختیار ما قرار می دهد. به گونه ای که بدست آوردن یک ساختار طبقه بندی بهینه، کمک بسزایی در حل مسایل حقیقی می کند. این فرم از طبقه بندی، معادل بخش بندی یک گراف می باشد و در دسته مسایل ان پی- سخت قرار می گیرد. بنابراین استفاده از الگوریتم های تکاملیمربوط به حوزه ی رایانش نرم، نگرش و راهکار مناسبی می باشد. در کاربردهای مختلف، درنظر گرفتن اهداف هم زمانی که با هم در تضاد می باشند، بسیار سودمند خواهد بود. در همین راستا روش های ژنتیک یک هدفه، الگوریتم های تکاملی چند هدفه و همچنین الگوریتم های مبتنی بر ممتیک برای این مسیله ارایه شده است. در این مقاله برای اولین بار یک روش جدید مبتنی بر الگوریتم بهینه سازی پرش قورباغه، ارایه داده ایم. الگوریتم ممتیک چند هدفه مبتنی بر الگوریتم جهش قورباغه را به جای روش های مبتنی بر تجزیه، که روش های قدیمی تری می باشند، استفاده نموده ایم. این الگوریتم، از بهترین الگوریتم های بهینه سازی گسسته می باشد. بنابراین به دلیل ماهیت گسسته مسیله ی طبقه بندی، الگوریتم مناسبی برای پیاده سازی بود که البته نتایج قابل قبول و اطمینان بخشی ارایه داده است. در این مقاله الگوریتم پیشنهادی را بر روی چندین شبکه ی واقعی آزمایش نموده ایم.

طبقه بندی شبکه های پیچیده، الگوریتم های تکاملی، الگوریتم های بهینه سازی چند هدفه، الگوریتم پرش قورباغه