چکیده مقاله
تشخیص جوامع، بخش جدایی ناپذیری از شبکه های اجتماعی می باشد شناسایی جوامع، نقش بسیار مهمی درطیف وسیعی از کاربردها، ایفا می کند از جمله این روش ها، می توانهبه تحلیل خوشه ای سیستم پیشنهاد دهندهیا سیستم توصیه گر وسیستمهای پیچیده اشاره کرد محققین، الگوریتمهای زیادی را برای کشف ساختارهایاجتماعی شبکه ها به دست آوردهاند تشخیص جوامع یک کار چالش برانگیز است و هیچ الگوریتم مشخصیبرای اینکه بتواند بهترین نتایج را برای همه شبکه ها تولید کند، وجود ندارد بنابراین، با وجود بسیاری از مسائل، تشخیص جوامع همچنان به عنوان یک موضوع مهم و مطرح شده در تحقیقات علمی می باشد در این مقاله، یک الگوریتم ژنتیک مبتنی بر خوشه بندی برای تشخیص جوامع در شبکه های پیچیده پیشنهاد می شود نتایج به دست آمده نشان می دهد، ضریب خوشه بندی، از تمامی روش ها مانند Zachary Karate Club ، Dolphins، Polbooks، NetScience، Facebook و غیره برای شبکه های پیشرفته استفاده می کند پس از ضریب خوشهبندی مبتنی بر الگوریتم ژنتیک ، Infomap I و LPA Lp بهترین نتایج را برای شبکه Zachary Karate Club تولید می کند در حالی که LinkCommunity Li ، به عنوان یک الگوریتم تشخیص جامعه ، برای این شبکه به خوبی عمل نمی کند و ELPA E ، NeTa N و COPRA C دارای مقادیر مدولاسیون بالایی برای این شبکهها می باشند همچنین،در شبکه Dolphins، الگوریتم ژنتیک از سایر روش ها بهتر عمل می کند و دارای بالاترینمقدار مدولاسیون می باشد پس از الگوریتم ژنتیک ، LPAو InfoMap برای این شبکه به خوبی عمل می کنند در شبکه Football، الگوریتم ژنتیک از COPRA بهتر عمل می کند بنابراین، محققین چندین الگوریتم ژنتیک را برای تشخیص جوامع استفاده کرده اند، اما الگوریتم پیشنهادی از نظر تولید جمعیت اولیه و روش جهش جدید بوده و باعث افزایش کارایی و دقت الگوریتم ژنتیک می شود
کلیدواژهها
نویسندگان
شیوه ارجاع
�اددلی، آیتک و جوادزاده، شایان،1401،راهکار تشخیص جوامع بر پایه الگوریتم ژنتیک در شبکه های پیچیده مبتنی بر خوشه بندی،هشتمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام،تهران
ارائهشده در
مجموعه مقالات هشتمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام18 اسفند 1401 · تهران