بیشینه سازی تاثیر در شبکه های اجتماعی با الگوریتم قورباغه جهنده بهبود یافته

یک شبکه اجتماعی ساختاری اجتماعی از گروه های فردی یا سازمانی تشکیل شده است که توسط یک یا چند نوع خاص از وابستگی‌ها مانند دوستان، خویشاوندان به هم وصل هستند. در سال‌های اخیر، با محبوبیت شبکه‌های اجتماعی مشکل بیشینه سازی تاثیر به یکی از موضوعات داغ در این زمینه تبدیل شده است. بیشینه سازی تاثیر، مسئله پیدا کردن زیر مجموعه‌ی محدودی از گره‌ها در یک شبکه اجتماعی است که تعداد گره‌های تحت تاثیر را به حداکثر برساند. برای رسیدن به تاثیر بیشینه روش‌‌های بسیاری ارائه شده از جمله روش‌های حریصانه که راه حل خوبی برای مشکل فوق ایجاد می کنند، اما عمدتا محاسبات زیادی دارند. به دلیل این محدودیت ها، کارایی این الگوریتم ها برای شبکه اجتماعی بزرگ ناچیز است. روش دیگر برای پیدا کردن این گره‌ها روش‌های اکتشافی است که معمولا سرعت بهتری دارند. در این تحقیق روشی ارائه شده است که شامل تشخیص جامعه، انتخاب گره با بیشترین درجه و استفاده از الگوریتم قورباغه جهنده برای به حداکثر رساندن گسترش تاثیر تحت مدل آبشاری مستقل است. آزمایش‌های انجام شده بر روی هشت مجموعه داده های دنیای واقعی نشان داده‌ اند روش ما در مقایسه با الگوریتم‌های به روز دقت بالاتری دارد ضمن اینکه از نظر پیچیدگی محاسباتی از بقیه سریعتر است.

a novel evolutionary algorithm based on shuffled frog-leaping method for influence maximization in social networks

a social network is a social structure consisting of individual or organizational groups connected by specific types of relationships, such as friendships or family ties. in recent years, with the popularity of social networks, the problem of influence maximization has emerged as a prominent topic in this field. influence maximization involves identifying a limited subset of nodes in a social network that can maximize the number of influenced nodes. various methods have been proposed to achieve this goal, including greedy approaches like celf, which, despite yielding good results, suffer from high computational costs. consequently, these algorithms are inefficient for large-scale social networks. an alternative approach is to employ exploratory methods, which often offer faster execution but yield weaker outcomes. in this research, we present a method that incorporates community detection, selection of high-degree nodes, and the utilization of the shuffled frog algorithm to maximize the propagation of influence under the independent cascade model. experimental evaluations conducted on eight real-world datasets demonstrate that our method outperforms state-of-the-art algorithms in terms of accuracy, while also exhibiting faster computational time