احسان سلیمانی دهکردی - گروه کامپیوتر، دانشکده فنی و مهندسی، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران
کمال میرزایی - گروه کامپیوتر، دانشکده فنی و مهندسی، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران

در سالهای اخیر با توسعه فناوری اطلاعات، شبکه های پیچیده در حوزه های زیادی مانند وب، شبکه های برق، شبکه های حسگر، شبکه های بیولوژیکی و شبکه های اجتماعی مورد استفاده قرار گرفته اند. ساختار جوامع یک ویژگی مهم در شبکه های پیچیده است که برای سازماندهی شبکه ها اهمیت زیادی دارد. شبکه ها را میتوان به عنوان گرافهایی مدلسازی کرد که گره ها را نشان میدهند و یالها روابط بین گره ها را نشان میدهند. تشخیص جوامع، فرآیند خوشه بندی شبکه به گروه های مختلف است به گونهای که ارتباطات زیادی در داخل جوامع وجود داشته باشد و ارتباطات کمی بیرون آنها وجود داشته باشد. یک جامعه یا یک خوشه به یک زیرگراف اشاره دارد، به طوریکه گره های موجود در یک زیرگراف به طور متراکمتری در داخل به هم متصل هستند. در دهه های اخیر، تشخیص جوامع در بسیاری از زمینه ها، مانند تجزیه و تحلیل شبکه های پیچیده، پیشبینی لینک، شناسایی گره و غیره کاربردهایی پیدا کرده است. برای تشخیص جوامع از الگوریتمهای مختلفی همانند الگوریتمهای خطی و فراابتکاری استفاده شده است. در این مقاله، تشخیص جوامع در شبکه های پیچیده مبتنی بر الگوریتمهای فراابتکاری بررسی میشود. بررسیها نشان میدهد که مهمترین الگوریتمهای تشخیص جوامع شامل الگوریتم ژنتیک، الگوریتم بهینه سازی اجتماع ذرات و الگوریتمهای ترکیبی هستند. این الگوریتم با بهینه سازی عملگرها و یافتن راه حلهای بهینه، بهترین جوامع را تشکیل میدهند.

تشخیص جوامع، خوشه بندی ، ماژولاریتی، الگوریتمهای فراابتکاری