شناسایی جوامع هم‌پوشان با استفاده از هوش جمعی چند‌عامله

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.

Identifying overlapping communities using multi-agent collective intelligence

The proposed algorithm in this research is based on the multiagent particle swarm optimization as a collective intelligence due to the connection between several simple components which enables them to regulate their behavior and relationships with the rest of the group according to certain rules. As a result, selforganizing in collective activities can be seen. Community structure is crucial for many network systems, the algorithm uses a special type of coding to identify the number of communities without any prior knowledge. In this method, the modularity function is used as a fitness function to optimize particle swarm. Several experiments show that the proposed algorithm which is called Multi Agent Particle Swarm is superior compared with other algorithms. This algorithm is capable of detecting nodes in overlapping communities with high accuracy.The point in using the previously presented PSO algorithms for community detection is that they recognize nonoverlapping communities, and this goes back to the representation of genes by these methods, but the use of multiagent collective intelligence by our algorithm has led to the identification of nodes in overlapping communities. The results show that the nodes that are shared between a set of agents, these nodes are active nodes that create an overlap in the communities. Our experimental results show that when a member node is more than one community, this node is a good candidate to be selected as the active node, which has led to the creation of overlapping networks.