دوره 18، شماره 1 - ( 3-1400 )
جلد 18 شماره 1 صفحات 61-74 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Akafan M, Minaei B, Bagheri A. Identifying overlapping communities using multi-agent collective intelligence. JSDP 2021; 18 (1) :74-61
URL: http://jsdp.rcisp.ac.ir/article-1-969-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-969-fa.html
عکافان محمد، مینایی بهروز، باقری علیرضا. شناسایی جوامع هم‌پوشان با استفاده از هوش جمعی چند‌عامله. پردازش علائم و داده‌ها. 1400; 18 (1) :74-61
دانشگاه علم و صنعت ایران
چکیده: (2434 مشاهده)
چشم‌انداز شبکه اجتماعی روش واضحی را برای تجزیه و تحلیل ساختار کل نهادهای اجتماعی فراهم می‌کند. تشخیص جوامع در شبکه‌ها یکی از چالش‌های اساسی در علم شبکه و نیز یکی از بزرگ‌ترین دغدغه‌ها پس از شناسایی جوامع، شناسایی جامعه اصلی عوامل فعال در شبکه است که متعلق به چندین جامعه هستند. یافتن جوامعی که با یکدیگر هم‌پوشانی دارند، در شبکه‌های اجتماعی یک مبحث مهم و جالب در داده‌کاوی و سامانه‌‌های پیشنهاد‌دهنده است. الگوریتم ارائه‌شده در این مقاله مبتنی بر بهینه‌سازی ازدحام ذرات چند‌عامله است؛ بهگونهای که خود سازماندهی در مجموعه فعالیت عامل‌ها دیده می‌شود. هوش جمعی باعث افزایش دقت جستجوی سراسری می‌شود و با استفاده از نوع خاصی کدگذاری، تعداد جوامع را تشخیص می‌دهد؛ بهگونهای که شاخص پیمانگی به‌عنوان تابع برازش، در بهینه‌سازی ازدحام ذرات مورد استفاده قرار خواهد گرفت. آزمایش‌های متعدد نشان می‌دهد الگوریتم معرفی‌شده با نام بهینه‌سازی ازدحام ذرات چند‌عامله، قادر به تشخیص گره‌های موجود در جوامع هم‌پوشان با دقت بسیار بالا است. در گذشته پژوهش‌هایی در‌‌خصوص تشخیص جوامع با استفاده از بهنیه‌سازی ازدحام ذرات انجام شده است، اما آن‌ها تنها قادر به تشخیص جوامع غیر هم‌پوشان هستند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1397/11/17 | پذیرش: 1398/11/2 | انتشار: 1400/3/1 | انتشار الکترونیک: 1400/3/1
دریافت: 1397/11/17 | پذیرش: 1398/11/2 | انتشار: 1400/3/1 | انتشار الکترونیک: 1400/3/1
فهرست منابع
1. [1] M. G. a. M. E. Newman, "Community structure in social and biological networks," Proceedings of the National Academy of Sciences, pp. 7821-7826, 2002. [DOI:10.1073/pnas.122653799] [PMID] [PMCID]
2. [2] Bajec and L. Š. M, "Group detection in complex networks: An algorithm and comparison of the state of the art," Physica A: Statistical Mechanics and its Applications, pp. 144-156, 2014. [DOI:10.1016/j.physa.2013.12.003]
3. [3] S. Fortunato, "Community detection in graphs," Physics Report, pp. 75-174, 2010. [DOI:10.1016/j.physrep.2009.11.002]
4. [4] Newman, "Finding and evaluating community structure in networks," Physical, 2004. [DOI:10.1103/PhysRevE.69.026113] [PMID]
5. [5] B. J. J. L. e. a. Shang R, "Community detection based on modularity and an improved genetic algorithm," Physica A:Statistical Mechanics and its Applications, pp. 1215-1231, 2013. [DOI:10.1016/j.physa.2012.11.003]
6. [6] Y. B. L. J. e. a. Jin D, "Ant colony optimization based on random walk for community detection in complex networks," Journal of Software, pp. 451-464, 2012. [DOI:10.3724/SP.J.1001.2012.03996]
7. [7] A. A. P. M. Shadi Rahimi, A multi-objective particle swarm optimization algorithm for community detection in complex networks, ELSEVIER, 2017.
8. [8] C. Wu, T. Li, F. Teng and X. Chen, "An improved PSO algorithm for community detection," International Conference on Intelligent Systems and Knowledge Engineering, 2015. [DOI:10.1109/ISKE.2015.53]
9. [9] T. C. Y. S. Y. N. X. Z. Fan Cheng, "A Local Information based Multi-objective Evolutionary Algorithm for Community Detection in Complex Networks," Applied Soft Computing Journal, pp. 42, 2018.
10. [10] I. I. a. T. G.Palla, "Uncovering the Overlapping Community Structure of Complex Networks in Nature and Society," Nature, pp. 814-818, 2015.
11. [11] X. L. I. Z. Faliang Huang, "Overlapping Community Detectionfor MultimediaSocial Networks," IEEE, pp. 12, 2017.
12. [12] J. Yang and J. Leskovec, "Community-Affiliation Graph Model for Overlapping Network Community Detection," IEEE 12th International Conference on Data Mining, pp. 14-19, 2012. [DOI:10.1109/ICDM.2012.139]
13. [13] J. K. R. C. Eberhart, "New optimizer using particle swarm theory," In Proceedings of the 6th International Symposium on Micro Machine and Human Science, pp. 39-43, 1995.
14. [14] Schutt.J.F, B. I. Koh, J. A. Reinbolt, B. J. Fregly, R. T. Haftka and A. D. Geotge, "Evaluation of a Particle Swarm algorithm for biornechanical," Jornal of Bionechanical engineering , pp. 465-474, 2005. [DOI:10.1115/1.1894388] [PMID] [PMCID]
15. [15] C. Zhang, X. Hei, D. Yang and L. Wang, "A Memetic Particle Swarm Optimization Algorithm for Community Detection in Complex Networks," International Journal of Pattern Recognition , vol. 30, no. 2, pp. 170-185, 2016. [DOI:10.1142/S0218001416590035]
16. [16] G.-G. W. Deb, A. H. Gandomi and A. H. AlaviSuash, "A hybrid method based on krill herd and quantum-behaved particle swarm optimization," Neural Computing and Applications, 2016.
17. [17] Y.-C. L. ,. S. R. Raheel Ahmad, "A Multi-Agent Based Approach for Particle SwarmOptimization," International Conference on Integration of Knowledge Intensive Multi-Agent, pp. 267-271, 2007.
18. [18] M. Vasile and L. Ricciardi, "Multi Agent Collaborative Search," Springer International Publishing Switzerland, 2017. [DOI:10.1007/978-3-319-44003-3_10]
19. [19] R. I. S Ismail, "Modularity approach for community detection in complex networks," ACM IMCOM '17 Proceedings of the 11th International Conference on Ubiquitous Information Management and Communication, 2017. [DOI:10.1145/3022227.3022282]
20. [20] M. e. a. Shahmoradi, "Multilayer overlapping community detection using multi-objective optimization," Future Generation Computer Systems, 2019. [DOI:10.1016/j.future.2019.05.061]
21. [21] "A Mixed Representation-Based Multiobjective Evolutionary Algorithm for Overlapping Community Detection," IEEE TRANSACTIONS ON CYBERNETICS, vol. 47, no. 9, pp. 2703 - 2716, 13 June 2017. [DOI:10.1109/TCYB.2017.2711038] [PMID]
22. [22] Gong, M., et al.," Complex network clustering by multiobjective discrete particle swarm optimization based on decomposition", IEEE Transactions on evolutionary computation, 2013. No, 18(1), pp. 82-97. [DOI:10.1109/TEVC.2013.2260862]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
