کشف انجمن در شبکه های اجتماعی ایستا با استفاده از الگوریتم بهینه ساز گرگ خاکستری

کشف انجمن در شبکه های پیچیده یکی از مهمترین مسائل در زمینه های علمی  و تحلیل شبکه های اجتماعی به شمار می رود. و به محققان در درک عملکرد و نمایش ساختار شبکه ها کمک می کند. خوشه بندی یا تشخیص اجتماعات، ساختار انجمن ها در شبکه های اجتماعی و ارتباطات پنهان بین مولفه های آن را آشکار خواهد نمود. یک اجتماع  مجموعه از گره ها است که چگالی ارتباطات آنها با هم بیشتر از سایر موجودیت‌های شبکه است.در این مقاله یک الگوریتم نوین کشف انجمن در شبکه های ایستا به نام الگوریتم بهینه ساز گرگ خاکستری استفاده  شده است که با توجه به معیار انتخاب شده قابلیت مقیاس پذیری دارد. همچنین تجربه نشان داده است، یکی از مهمترین خصوصیات الگوریتم های فراابتکاری، عدم به تله افتادن در کمینه محلی است. که در مساله کشف انجمن ها، الگوریتم گرگ خاکستری نسبت به سایر الگوریتم های فراابتکاری مانند الگوریتم ژنتیک و الگوریتم مجموعه ذرات احتمال کمتری در به تله افتادن دارد. و آزمایشها نشان داده است که الگوریتم مطرح شده دقت بهتری را  نسبت به الگوریتم های دیگر ارائه می کند.

dynamic community in static social networks using the gray wolf optimizer algorithm

identifying communities in complex networks is an important issues in social network analysis, and it helps researchers understand the function and display of network structures. clustering or recognizing communities will reveal the structure of groups in social networks and hidden communication between its components. a community is a collection of nodes whose density of communication is more than the other network entities.in this paper, a new algorithm for recognizing communities in static networks has been presented which utilizes gray wolf optimizer algorithm, which has the ability to scale according to the selected criteria.  it has been shown that one of the most important characteristics of metaalgorithms is the lack of trapping at the local minimum. gray wolf optimizer algorithm is less likely to be trapped than other optimization algorithms such as the genetic algorithm and the particle swarm algorithm. finally, the results of the experiments showed that the algorithm is better than other algorithms on average.