یک الگوریتم فراابتکاری پیوسته جدید و گسسته سازی آن جهت بیشینه سازی نفوذ در شبکه های پیچیده

طبق نظریه ناهار مجانی (nfl) هیچ الگوریتم فرا اکتشافی موجود قادر به حل همه نوع مسائل به طور کارآمد نیست، بنابراین هر ساله الگوریتم های جدیدی جهت تنوع بخشی پیشنهاد می شوند. در این مقاله، الگوریتم فراابتکاری جدیدی به نام iwogsa ، برای مسائل بهینه سازی پیوسته پیشنهاد شده است که ترکیبی از الگوریتمهای بهینهسازی علفهای هرز و جستجوی گرانشی است. در iwogsa والدها به دو صورت تکثیر می شوند و از هر دسته نمونه هایی برای انتقال به نسل جدید انتخاب می گردد. بخشی از تکثیر با توزیع نرمال صورت می گیرد و بخشی دیگر بر مبنای روابط سرعت و شتاب حرکت سیارات در الگوریتم جستجوی گرانشی انجام می شوند. یک مدل گسسته جدید از iwogsa به نام diwogsa برای حل مساله های بهینه سازی گسسته پیشنهاد شده است و کارایی آن بر روی یک چالش حیاتی تحت عنوان بیشینه سازی نفوذ ارزیابی شده است. در diwogsa از رویکرد هوشمندانه ای برای مقداردهی اولیه جمعیت استفاده شده و برای همگرایی سریع تر الگوریتم، یک عملگر جستجوی محلی پیشنهاد شده است. در حالت پیوسته الگوریتم iwogsa با توابع بنچمارک استاندارد و کامپوزیت و 3 مساله مهندسی رایج ارزیابی شده است. نتایج پیاده سازی ثابت میکند که الگوریتم iwogsa در مقایسه با روش های اخیر و متداول بسیار رقابتی بوده و با توجه به نتایج رتبه بندی آزمون فریدمن، توانسته است رتبه اول را کسب نماید. در حالت گسسته نیز الگوریتم diwogsa با در نظر گرفتن شبکه های مختلف ارتباطاتی بین محققان برای مساله بیشینه سازی نفوذ مورد ارزیابی قرار گرفته و در مقایسه با الگوریتم های رایج در این زمینه از نظر میزان نفوذ و زمان اجرا نتایج قابل قبولی را کسب کرده است.

a novel metaheuristic algorithm and its discrete form for influence maximizing in complex networks

in light of the no free lunch (nfl) theorem, which establishes the inherent limitations of meta-heuristic algorithms in universally efficient problem solving, the ongoing quest for enhanced diversity and efficiency prompts the introduction of novel algorithms each year. this research presents the iwogsa meta-heuristic algorithm, a pioneering solution tailored for addressing continuous optimization challenges. iwogsa ingeniously amalgamates principles from both the invasive weed optimization algorithm and the gravitational search algorithm, capitalizing on their synergies. the algorithm's key innovation lies in its dual-pronged sample generation strategy: a subset of samples follows a normal distribution, while others emulate the planetary motion-inspired velocities and accelerations from the gravitational search algorithm. furthermore, a selective transfer of certain samples from distinct classes contributes to the evolution of succeeding generations. expanding upon this foundation, a discrete variant of iwogsa, termed diwogsa, emerges to tackle discrete optimization problems. the efficacy of diwogsa is demonstrated through its application to the intricate influence maximization problem. diwogsa distinguishes itself with an astute population initialization strategy and the integration of a local search operator to expedite convergence. empirical validation encompasses a rigorous assessment of iwogsa against established benchmark functions, composite functions, and real-world engineering structural design problems. remarkably, the iwogsa algorithm asserts its superiority, eclipsing both contemporary and traditional methods. this ascendancy is statistically affirmed through the utilization of the friedman test rank, positioning iwogsa as the premier choice. also, diwogsa algorithm is evaluated by considering different networks for influence maximization problem, and it shows acceptable results in terms of influence and computational time in comparison to conventional algorithms.