توسعه یک روش فرا ابتکاری ترکیبی برای شناسایی اجتماعات در شبکه‌های اجتماعی با هدف چگالی پودمانگی

شناسایی ساختارهای موجود در شبکه‏های اجتماعی، فرآیندی حائز اهمیت در تحلیل این شبکه‏ها است. یکی از مسائلی که در سال‏های اخیر در زمینه شناسایی ساختارهای شبکه‏های اجتماعی مطرح شده است، مسئله اجتماع یابی است. با توجه به اهمیت این موضوع، تاکنون روش‏های حل متنوع و گوناگونی برای اجتماع یابی پیشنهاد شده است. در پژوهش حاضر، یک الگوریتمی ترکیبی از روش‏های بهینه‌سازی علف‌های هرز و ژنتیک پیشنهاد شده است که هدف آن یافتن جواب‏های مناسب و باکیفیت برای مسئله اجتماع یابی است. در این روش ترکیبی، جواب‏های اولیه توسط روش بهینه‌سازی علف‌های هرز تولید می‏شوند و در ادامه جواب‏های یافته شده به‌وسیله الگوریتم ژنتیک در فرآیند بهینه‏سازی، بهبود می‏یابند. ارزیابی برازندگی جواب‏ها، مبتنی بر معیار چگالی پودمانگی است. چگالی پودمانگی، معیاری با ماهیت بیشینه‏سازی است که میزان کیفیت اجتماعات کشف‌شده را به دست می‏دهدمشخص می کند. به‌منظور بررسی کیفیت جواب‏های الگوریتم پیشنهادی، نتایج این روش نسبت به چهار الگوریتم علف‌های هرز، ژنتیک، الگوریتم کرم شب‌تاب و یک الگوریتم جستجوی کاملاً تصادفی مقایسه شده‏اند. پارامترهای این الگوریتم‏ها به کمک یک رویکرد طراحی آزمایش‌ها تنظیم شده‏اند. این مقایسات بر روی شبکه‏های محک گوناگون و با ابعاد متفاوت انجام شده‏اند. با توجه به نتایج به‌دست‌آمده، می‏توان دریافت که الگوریتم پیشنهادی قادر به تولید جواب‏هایی باکیفیت بالا است. اعتبارسنجی نتایج الگوریتم‏ها نیز توسط شاخص اطلاعات متقابل نرمال انجام شده است.

A Hybrid Algorithm for Detecting Communities of Social Networks based on the Modularity Density Criterion

Detecting existing communities in social networks is a significant process in analyzing these networks. In recent years, the community detection problem has become popular for detecting structures of social networks. Due to high importance of this problem, various algorithms have been developed in the literature to find communities of complex networks. In this research, a hybrid metaheuristic consisting of the genetic algorithm (GA) and the invasive weed optimization (IWO) method have been proposed which aims to find appropriate and high quality solutions for the community detection problem. In this hybrid method, the initial solutions are generated via the IWO algorithm, and thereafter the optimization process is continued by means of the genetic algorithm. The proposed algorithm is known as the GAIWO. Fitness of solutions is determined in terms of the modularity density criterion. Modularity density has a maximization essence and determines the quality of detected communities. To evaluate the efficiency of the GAIWO, four other methods have been employed and their results have been compared. Comparisons have been made on several networks with different sizes. Input parameters of all algorithms have been tuned by a design of experiments approach. The outputs indicate appropriate efficiency of the proposed algorithm. Validation of the results have been investigated by means of the Normalized Mutual Information (NMI) metric.