دانلود مقاله ISI انگلیسی شماره 150089
ترجمه فارسی عنوان مقاله

الگوریتم تکاملی و مدولاسیون برای تشخیص جوامع در شبکه

عنوان انگلیسی
Evolutionary algorithm and modularity for detecting communities in networks
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
150089 2017 17 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Physica A: Statistical Mechanics and its Applications, Volume 473, 1 May 2017, Pages 89-96

ترجمه کلمات کلیدی
تشخیص جامعه، شبکه های، الگوریتمهای تکاملی، اطلاعات متداول متقابل، مدولار،
کلمات کلیدی انگلیسی
Community detection; Networks; Evolutionary algorithms; Normalized mutual information; Modularity;
ترجمه چکیده
الگوریتم های تکاملی امروزه برای حل مشکلات در بسیاری از زمینه ها بسیار مورد استفاده قرار می گیرند. چند روش تشخیص جامعه در شبکه های مبتنی بر الگوریتم های تکاملی وجود دارد. در مقاله ما، ما یک رویکرد جدید تشخیص جامعه در شبکه های مبتنی بر الگوریتم تکاملی را توسعه می دهیم. در این رویکرد ما از یک الگوریتم تکاملی برای پیدا کردن اولین ساختار جامعه استفاده می کنیم که حداکثر مدولاسیون را به دست می دهد. پس از آن ما ساختار جامعه را از طریق ادغام جوامع به منظور پیدا کردن ساختار نهایی جامعه که ارزش بالا مدولار را بهبود می بخشد. ما یک چارچوب کلی برای اجرای رویکرد ما فراهم می کنیم. در مقایسه با الگوریتم های حالت هنر، نتایج شبیه سازی در شبکه های کامپیوتری و دنیای واقعی منعکس کننده اثربخشی رویکرد ما است.
پیش نمایش مقاله
پیش نمایش مقاله  الگوریتم تکاملی و مدولاسیون برای تشخیص جوامع در شبکه

چکیده انگلیسی

Evolutionary algorithms are very used today to resolve problems in many fields. There are few community detection methods in networks based on evolutionary algorithms. In our paper, we develop a new approach of community detection in networks based on evolutionary algorithm. In this approach we use an evolutionary algorithm to find the first community structure that maximizes the modularity. After that we improve the community structure through merging communities to find the final community structure that has the high value of modularity. We provide a general framework for implementing our approach. Compared with the state of art algorithms, simulation results on computer-generated and real world networks reflect the effectiveness of our approach.