复杂性
复杂性
1099 - 0526
1076 - 2787
Hindawi
10.1155 / 2020/6695032
6695032
研究文章
SiFSO:鱼群文中针对复杂网络社区探测技术,高效
艾哈迈德
亚希尔
1
Ullah
Mohib
1
https://orcid.org/0000 - 0002 - 0229 - 7747
汗
Rafiullah
1
戴尔
Bushra
2
汗
爱迪
3
Zareei
救世主
4
https://orcid.org/0000 - 0002 - 2967 - 3570
Aldosary
阿卜杜拉
5
默罕默德
Ehab马哈茂德
6
7
Uddin
m·艾尔
1
计算机科学与信息技术学院
农业大学的
白沙瓦
KP
巴基斯坦
aup.edu.pk
2
部门的农村社会学
农业大学的
白沙瓦
KP
巴基斯坦
aup.edu.pk
3
计算机科学部门
Islamia白沙瓦大学
白沙瓦
KP
巴基斯坦
icp.edu.pk
4
学府de蒙特雷
工程与科学学院
Zapopan 45201
墨西哥
tec.mx
5
计算机科学部门
Sattam。本。阿卜杜阿齐兹王子大学
Sulayyil 11991
沙特阿拉伯
psau.edu.sa
6
电气工程部门
工程学院
Sattam。本。阿卜杜阿齐兹王子大学
Wadi Addwasir 11991
沙特阿拉伯
psau.edu.sa
7
电气工程部门
工学院
阿斯旺大学
阿斯旺81542
埃及
aswu.edu.eg
2020年
12
12
2020年
2020年
30.
10
2020年
22
11
2020年
28
11
2020年
12
12
2020年
2020年
版权©2020亚希尔Ahmad et al。
这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。
有效的社区检测在一个复杂的网络被认为是一个有趣的问题,由于其庞大的应用程序在许多流行的领域,例如生物学、化学、语言学、社会科学等。有几个可供网络社区检测算法。本研究提出了乙状结肠鱼群优化(SiFSO)算法发现有效的网络社区。我们的算法使用的乙状结肠函数各种鱼的运动在一个群,包括猎物,,群,和自由移动,为了更好的运动和社区检测。SiFSO提出算法的性能测试与先进的粒子群优化(PSO)算法
问 模块化和归一化互信息(敝中断)。结果表明,该SiFSO算法更好的0.0014%
问 模块化和0.1187%的敝中断比其他选择的算法。
Islamia大学
1。介绍
有效的社区检测在一个复杂的网络被认为是一个有趣的问题,由于其庞大的应用程序在许多流行的领域,例如生物学、化学、语言学、社会科学等(
1 ,
2 ]。复杂系统通常表示为复杂的图或网络显示连接,实体或组件之间的依赖关系,交互(
3 ]。网络由节点(顶点)与其他节点(边)。从数学和计算机科学的角度来看,复杂的网络图形数据结构代表大型和复杂的世界系统(
4 ]。有几个复杂网络的例子,可以发现在每一个科学部分。纽曼分类分为四个大类:复杂网络技术网络、社交网络、信息网络、生物网络(
5 ]。
社区检测网络中可以表示成一个数据聚类问题。聚类相似的一组对象的分布信息相关团体和不同于其他团体(
6 ]。聚类分析是集群基于相似性的安排模式的集合,通常表示为一个测量向量或多维空间中的一个点
7 ]。社区是一个重要的特性代表群的复杂网络节点通常与其他节点在一组(
8 ]。一组或集群是一组节点的图比其他人有更多的内部与外部联盟的网络
9 ]。
根据Fortunato,社区检测策略可分为(
10 主要分为两类,即。,hierarchical clustering methods [
11 ),文中针对方法(
4 ]。在层次聚类,系统分为几个层次结构代表不同的网络部分在每个级别。分层聚类技术可以进一步分为两类,即。分裂算法(
12 )和烧结的算法(
13 ]。在分裂的方法,图分为两个子图和过程一直持续到集群的明显标志。基于适当的子图然后聚合相似之处形成新的集群。然而,在文中针对问题,社区检测被认为是一个优化问题,旨在找到precharacterized目标工作尽可能多的可能的解决方案。进化算法通常用于复杂系统分类组织结构(
14 ]。的准确性,他们通常使用遗传算法(
15 )找到最佳解决方案由于其显著的特性,如低收敛和并行搜索。然而,遗传算法可能不表现良好在确定实际的网络结构没有先前的知识(
16 ]。根据文献,基于群智能技术,如粒子群优化(PSO)能有效地处理优化问题(
15 ]。PSO是一个表面算法使用鸟成群结队的搜索方法。
人工鱼群算法(AFSA) (
17 )是一个著名的自然跟踪算法,利用社会行为和演化鱼的社会行为来执行各种任务。作为一个进化的故意行为的一部分,鱼被捕获,以确保他们的存在,如果可能的话,来展示负责任的行为。寻求食物,成功,风险管理是社会过程的一部分,和协作将导致一种迷人的社会进程在会议上对所有鱼类。该算法提供了许多有吸引力的特性,比如可靠性、快速收敛,内部控制失败,和高精度由于它可有效地用于社区检测。
提出一种新颖的AFSA-based技术,乙状结肠鱼群优化(SiFSO)算法,发现高效的网络社区。在该算法中,我们介绍了各种鱼的乙状结肠函数在一群,包括猎物,,群,和自由移动,为了更好的运动和社区检测。SiFSO提出算法的性能测试与其他知名群优化算法,MODPSO, MPSO, NE-PSO,用两个健身功能
问 模块化和归一化互信息(敝中断)。结果表明,拟议中的SiFSO算法比其他选择算法,在敝中断
问 模块化。此外,该SiFSO算法的社区非常接近原来的美式足球与未成年人网络社区的区别。结果表明,s形的鱼群优化算法可以有效地检测重要的各种网络社区,如社交网络、生物网络和语言学。
论文的其余部分安排如下:
第二节 ,我们将讨论相关工作。在
第三节 ,我们现在提出SiFSO详细算法。
在第四节 ,我们目前的实验设置和讨论测试数据集和评价参数,而在部分
5 和
6 分别讨论实验结果和结论。
2。相关工作
网络社区检测被认为是一个重要的问题在各个领域,如计算机科学,物理学,生物学,社会学(
9 ,
18 ,
19 ]。提出了社区检测方法可分为两大类,基于优化——和hierarchical-based技术。hierarchical-based方法,网络划分为若干个层次代表每一层不同的网络部分。分层聚类技术可以进一步分为两类,即。分裂算法(
12 ,
20. ,
21 )和烧结的算法(
18 ,
22 ,
23 ]。在分裂的方法中,网络被分成两个子图和过程一直持续到集群的明显标志。基于适当的子图然后聚合相似之处形成新的集群。著名的分裂算法Girvan-Newman (GN) [
20. ,
24 )和GN Fortunato等提出的变体。
25 ]。相比之下,烧结的技术使用分层的自底向上的方法在复杂网络中找到社区。有许多凝结的集群技术在文献中可用,如快速纽曼(FN) [
22 )和杜等提出的技术。
18 ]。
文中针对策略使用不同的对象函数找到高效、优化集群在复杂网络。纽曼和Girvan [
20. )使用
问 模块化目标函数为社区检测。同样,Brandes et al。
26 )报道说,遗传算法(
16 ,
19 ,
27 ,
28 [],蚁群优化
29日 ,
30. ),和极值优化(
31日 模块化)可以有效地用于寻找最优值。
通常,metaheuristic方法与学习策略使用迭代方法和混合网络社区发现方法。例如,Pizzuti提出社区分数概念的提出遗传网络算法GA-Net [
28 ]。同样,商等人提出另一个基因网络的改进算法;然而,这种算法的计算成本很高(
16 ]。为了解决高计算成本问题,刘等人利用蚁群优化技术(
16 社区检测。Pizzuti提出了一种多目标方法与社区得分和社区健身概念(
19 ]。
相比之下,提出了一种混合方法,使用光电和社区检测算法
32 ]。目前,群优化技术有效地用于网络社区检测。群的例子文中针对方法是多目标离散粒子群优化(MODPSO) [
33 ),修改后的粒子群优化(MPSO) [
1 ),并基于网络嵌入多目标离散粒子群优化(NE-PSO) [
2 ]。
3所示。SiFSO:乙状结肠鱼群优化算法
许多优化算法可以检测复杂网络社区;其中一个是粒子群优化(PSO)。算法使用先前存储的信息采取的下一步网络,可能引入错误,而人工鱼群优化算法需要运动决策基于当前位置,从而提供了更多的准确性。在本节中,我们提出乙状结肠鱼群优化(SiFSO),鱼群优化的改进版本,更准确的网络社区的检测。提出SiFSO算法由两个主要步骤,即。,初始化和鱼的运动。在初始化步骤中,我们建立了网络的基本价值观不同的参数,而在接下来的步骤中,我们使用我们提出的目标函数根据鱼运动搜索给定网络社区。拟议中的SiFSO算法的伪代码所示算法
1 。
<大胆>算法1:< /大胆>乙状结肠鱼群优化(SiFSO)算法。
鱼运动:
输入: 视觉范围,视觉下降,最低的视觉范围内,像素迭代数,一步,一步下降,最低一步,试着号码,因素,鱼坐标
输出: 每个解决方案对应一个分区的一个网络。
(1)
开始算法
(2)
Min-Max正常化
(3)
品牌传播的初始化
(4)
为迭代⟵1到迭代数
(5)
对于FishNo⟵1总鱼做的
(6)
当前鱼邻居⟵0
(7)
现在的邻居⟵鱼在视觉范围内
(8)
如果邻居= 0
(9)
下一步⟵乙状结肠(自由移动)
(10)
休息,去步骤1
(11)
其他的
(12)
如果密度>拥挤因素和更好的食物的一致性
(13)
下一步⟵乙状结肠(猎物移动)
(14)
其他的
(15)
下一步⟵随机(乙状结肠(群移动或移动)
(16)
结束
(17)
结束
(18)
最终结果⟶应用模块化
(19)
算法结束
的运行时间复杂性提出SiFSO算法是线性的和估计
O
n
×
米
,在那里
n 显示了大小和污染
米 表明该算法的迭代次数找到并完善所有的集群或社区。
3.1。SiFSO操作
SiFSO自然鱼是一群文中针对算法使用知识优化的鱼的社会活动。鱼在水环境中,可以找到一个地方,提供了更多的食物,单独或一组。在SiFSO,我们改进了鱼的各种运动模式通过引入s形的函数。我们将与所有的鱼使用乙状结肠函数运动,包括猎物,,群,和自由移动,转弯顺利而不是做急转弯。SiFSO的主要目的是在附近找到食品质量水平,并将逐步改善食品质量水平,或者在我们的例子中,集群质量水平。
3.1.1。乙状结肠函数
乙状结肠函数是一个非线性函数通常用来将一个巨大的信息区映射到一个小空间在0和1之间。这个函数创建一个“S”形曲线或乙状结肠。乙状结肠函数中使用特定的数学模型不可用的情况。在这项研究中,我们使用乙状结肠函数计算急转弯在鱼类运动。数学上,乙状结肠函数反映在以下方程:
(1)
乙状结肠
z
=
一个
1
+
e
−
z
,
在哪里
e 代表了自然对数,代表了曲线的最大值,
z 代表之间的任何实数−∞,+∞。
3.1.2。密度
密度代表鱼类的数量或节点内部的视觉范围。密度变化在0和1之间的值,1显示了高密度和0显示低密度。在数学上,密度是反映在以下方程:
(2)
密度
=
鱼在视觉范围内
鱼的总数
。
3.1.3。自由移动
在自然界中,当鱼到达临界点,不能找到任何食物,它在任何方向随机移动。同样的,在人工鱼群优化算法,当一条鱼到达边界附近,需要任何方向使用乙状结肠函数计算。数学上,自由移动函数表示以下方程:
(3)
F
t
+
1
=
F
t
+
一步
×
乙状结肠
−
1,- 1
,
在哪里
F (
t )显示了在鱼的当前位置,代表了运动增量步,和乙状结肠功能应用之间−1和1来计算一个新的方向。
3.1.4。猎物移动
通常,每个鱼不断寻找食物和点,在那里他们可以找到额外的食物。这种运动称为人工鱼的猎物运动群优化算法。猎物,鱼首先检查其视觉范围的猎物(见方程(
4 ))。然后,朝着食物基于密度(见方程(
5 ))。
(4)
F
我
=
F
我
+
视觉
×
兰德
−
1,- 1
,
(5)
F
我
t
+
1
=
F
我
t
+
F
j
−
F
我
t
距离
我
,
j
×
一步
×
乙状结肠
0 1
,
在哪里
F
我 显示鱼的当前位置,
t 显示了在当前位置,显示了运动增量步,和
t + 1显示了下一步行动。距离计算之间的欧几里得距离现在和未来的位置。乙状结肠函数应用之间−1和1来计算一个新的方向。
3.1.5。群移动
鱼作为一个群体的特性之一是,他们通常试图相互移动作为一个群体来实现目标。这种鱼作为一个群体的集体运动有助于鱼类快速得到他们的目标而不被分散。这鱼叫做群运动的集体运动。人工蜂群运动,鱼首先计算中心的中心位置,让自己实现一个特定的目标群体。群中心的公式计算方程所示(
6 )。然后,根据群鱼的运动运动实现的目标,如寻找食物。群运动方程所示的公式
7 )。
(6)
F
中心
=
1
N
∑
我
=
0
N
F
我
,
(7)
F
我
t
+
1
=
F
我
t
+
F
中心
−
F
我
t
距离
我
,
中心
×
一步
×
乙状结肠
0 1
,
在哪里
F
我 显示当前位置的鱼,
t 显示了在当前位置,显示了运动增量步,
t + 1显示了下一步行动,
F 中心显示了群的中心位置。距离计算之间的欧几里得距离现在和中心位置。乙状结肠函数应用之间−1和1来计算一个新的方向。
3.1.6。跟着移动
当一个或多个鱼发现食物群运动期间,他们改变他们的方向得到食物。在这种情况下,一些邻居鱼尾巴他们更多的食物。这种运动称为跟随运动。跟随运动,鱼一直在检查所有鱼类的视觉范围更好的食物比当前状态的机会。跟随运动的公式所示以下方程:
(8)
F
我
t
+
1
=
F
我
t
+
F
n
−
F
我
t
距离
我
,
n
×
一步
×
乙状结肠
0 1
,
在哪里
F
我 显示当前位置的鱼,
t 显示了在当前位置,显示了运动增量步,
t + 1显示了下一步行动,
F
n 表明邻居鱼类的数量。距离之间的欧氏距离计算当前和中央位置。乙状结肠函数应用之间−1和1来计算一个新的方向。
4所示。实验装置
提出SiFSO算法实现,模拟2013年MATLAB版本使用英特尔酷睿i3 CPU 2.67 GHz和4 GB的RAM。我们使用c++和MS Excel进行数据归一化等预处理步骤。工作由Bastian et al。
35 )用于可视化社区提出SiFSO算法和检测
问 模块化的计算。在本节中,我们讨论了仿真参数,数据集和评价参数。
4.1。仿真参数
作为输入,SiFSO将多个参数,包括视觉范围,迭代数,步骤,试着号码,人群的因素。输入值在本研究选择如表所示
1 。
表1
输入值SiFSO用于这项研究。
输入参数
值
视觉范围
500像素
视觉下降
10个像素点
最小的视觉范围
75年
像素的迭代次数
60
一步采取的节点
40像素
一步减少
0.5像素
最小的一步
3像素
试着猎物数量的行为
3
人群的因素
0.8
鱼坐标(维度)
X ,
Y
的迭代次数
60
鱼的总数
115年
输入给出的细节如下:
(1)
视觉范围 。视觉范围类似于观察鱼的栖息地,这是第一个全局变量,然后随时间减少,改变局部,增加周围组织。
(2)
迭代数 。迭代数量显示了所有流行的鱼的名字创建集群尽可能基于他们的一般经验。这种观点将取决于视觉光谱和在每个过程所采取的步骤的鱼。
(3)
步骤 。第一条鱼生长长由于其全球视野的局限性,然后经济增长放缓对视觉和链很少得到的鱼的生长分裂成领域的关注。
(4)
试着多 。大小的数量应等于鲨鱼的捕食行为。这个数字显示了各种机会的数量是随机选择的机会。然后,检查其准确性与鱼的当前位置移动到随机选择的位置。
(5)
人群的因素 。一群因素是一个数字,帮助我们决定如果鱼的数量在视觉光谱基于这些数据使一群人当正确的改进。
4.2。数据集
实验是在基准数据集美国大学足球队。数据集是由12个学院的团队(
24 ]。数据集代表大学球队之间的比赛在2000年的秋天。节点值,表明会议他们所属。中心是组织和边缘之间的转移组。每个中心发放中心ID(从0 - 114)与616年边(两个不同的团队之间的匹配)和一个会议ID(从划分)。图
1 显示了与不同团队的形式进行比赛边缘连接节点。图像是基于真实集群存在在世界杯期间。
图1
人工鱼时刻参数(
34 ]。
4.3。评价参数
算法的性能评估和两个健身功能,也就是说,
问 模块化(
36 )和归一化互信息(敝中断)
37 ]。拟议中的SiFSO算法与最先进的多目标离散粒子群优化(MODPSO) [
33 ),修改后的粒子群优化(MPSO) [
1 ),并基于网络嵌入多目标离散粒子群优化(NE-PSO) [
2 ]。健身功能测试创建的集群的效率和准确性通过任何复杂网络社区探测技术。
网络或
问 模块化珍视发现社区的评估精度。模块化的定量概念可以边的分数,在集群或社区-边缘的预测或估计价值。相比之下,边随机移动网络中独立的组织结构。模块化
问 定义如下:
(9)
问
=
∑
年代
=
1
k
l
年代
米
−
d
年代
2
米
2
,
在哪里
ls 显示的总数边缘连接到集群的顶点
年代 ,
ds 代表所有节点的度的总和
年代 ,
米 显示选定的网络边缘的总数。
归一化互信息(敝中断)是用来衡量真正的网络社区和社区之间的相似性检测算法。考虑两种不同的分区,
一个 和
B 相同的网络检测到两种不同的方法。让分区
一个 有
R 社区和分区的数量
B 有
D 社区的数量。混淆矩阵
C 定义什么时候入境
C
ij 在这两个社区代表节点的数量。在数学上,之间的归一化互信息
一个 和
B 定义如下:
(10)
敝中断
一个
,
B
=
−
2
∑
我
=
1
R
∑
j
=
1
D
C
我
j
日志
C
我
j
N
/
C
我
C
j
∑
我
=
1
R
C
我
日志
C
我
/
N
+
∑
j
=
1
D
C
j
日志
C
j
/
N
。
5。结果和讨论
有效的社区检测在一个复杂的网络被认为是一个有趣的问题,由于其庞大的应用程序在许多流行的领域,例如生物学、化学、语言学和社会科学。有几个可供网络社区检测算法。在这个研究中,我们提出了乙状结肠鱼群优化(SiFSO)算法发现有效的网络社区检测。SiFSO提出算法的性能测试与其他知名群优化算法,MODPSO, MPSO, NE-PSO,两个健身功能,即
问 模块化和归一化互信息(敝中断)。SiFSO更好的性能由于添加乙状结肠函数决定鱼运动。
本节讨论绩效评估实验的结果与我们进行SiFSO和比较与其他选择群优化算法的性能。试验中,我们使用一个基准美国大学足球网络数据集包含115个节点和616年12边缘社区的美国大学生橄榄球网络。顶点显示团队和边缘。这个网络的现有数量如图
2 。
图2
美国大学足球网络(
24 ]。
结果表明,网络通过SiFSO更浅,比其他选择算法的健身功能和社区发现。根据所选的适应度函数结果,归一化互信息值通过MODPSO, MPSO,和NE-PSO给定数据集上是0.8616,0.9803,和0.9096,分别。相比之下,社区被提议的SiFSO算法实现0.9803归一化互信息值。虽然获得敝中断的价值提议SiFSO等于MPSO,它仍然是获得的最大敝中断值由其他群优化算法。敝中断的价值选择算法的结果如图所示
3 。结果SiFSO 0.0014%更好的
问 模块化和0.1187%更好的比MODPSO敝中断。同样,SiFSO 0.0846%更好的性能的
问 在MPSO模块化。这种改进的健身功能给SiFSO优势比其他选择算法。
图3
归一化互信息(敝中断)选择群优化算法。
同样,根据选择的健身功能的结果,
问 模块化通过MODPSO, MPSO NE-PSO给定数据集上是0.6032,0.52,和0.5825,分别。相比之下,社区提出SiFSO算法检测到的最大0.6046实现
问 模块化,这是所有选定的最大群优化算法。的
问 模块化的结果如图选择算法
4 ,而图
5 描述了敝中断和
问 模块化的值在一个2 d分散的情节。
图4
问 模块化的选择群优化算法。
图5
敝中断和
问 模块化的选择群优化算法。
同样,社区提出SiFSO算法检测到的非常接近于原始美式足球与未成年人网络社区的区别。相比之下,选择社区探测到其他群优化算法有太多不匹配在每个集群节点。社区检测到所有选定算法和该算法如图
6 。数据
6(一) - - - - - -
6 (c) 展览的社区发现的MODPSO, MPSO NE-PSO SiFSO相比,有太多的不匹配节点(如图
6 (d) )。
图6
社区检测到所选算法和该算法在足球网络:(一)MODPSO MPSO (b), (c) NE-PSO, SiFSO (d)。
(一)
(b)
(c)
(d)
6。结论
有效的社区检测在一个复杂的网络被认为是一个有趣的问题,由于其庞大的应用程序在许多流行的领域,例如生物学、化学、语言学和社会科学。有几个可供网络社区检测算法。在这个研究中,我们提出了乙状结肠鱼群优化(SiFSO)算法发现有效的网络社区。在该算法中,我们介绍了各种鱼的乙状结肠函数在一群,包括猎物,,群,和自由移动,为了更好的运动和社区检测。SiFSO提出算法的性能测试与其他知名群优化算法,MODPSO, MPSO, NE-PSO,两个健身功能,即
问 模块化和归一化互信息(敝中断)。结果表明,拟议中的SiFSO算法比敝中断和其他选择算法
问 模块化。
此外,该SiFSO算法的社区非常接近原来的美式足球与未成年人网络社区的区别。结果表明,s形的鱼群优化算法可以有效地检测重要的各种网络社区。这些社区可以用于更多的发现在许多流行的科学领域,如蛋白质和药物,社交媒体和广告,用户配置文件,和金融欺诈。在未来,我们感兴趣的提高网络社区发现过程采用更高效的产品表面算法如虎鲸算法(土)和使用它们在各种领域,例如金融欺诈检测。
数据可用性
可以在网上使用的数据集
http://cs.binghamton.edu/∼mrldata /网络数据% 20 sets.html % 20 。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究受到了Islamia学院KP,巴基斯坦白沙瓦。
[
]1
Abdollahpouri
一个。
拉希米
年代。
Majd
s M。
Salavati
C。
一种改进粒子群优化算法在复杂网络社区探测
跨域国际会议的程序机器学习和知识提取
2018年8月
可汗、瑞士
施普林格
11
27
[
]2
刘
X。
杜
Y。
江
M。
曾
X。
多目标粒子群优化基于网络嵌入对复杂网络社区探测
IEEE计算社会系统
2020年
7
2
437年
449年
10.1109 / tcss.2020.2964027
[
]3
Wajahat
一个。
纳齐尔
一个。
艾克塔
F。
库雷希
年代。
Razaque
F。
沙基尔
一个。
交互式可视化和分析社交网络gephi
学报2020年第三国际会议上计算、数学和工程技术(iCoMET)
2020年1月
苏库尔,巴基斯坦
1
9
[
]4
邹
F。
陈
D。
李
年代。
陆
R。
林
M。
复杂网络社区探测:多目标离散回溯搜索优化算法与分解
应用软计算
2017年
53
285年
295年
10.1016 / j.asoc.2017.01.005
2 - s2.0 - 85009784999
[
]5
杨
年代。
网络:一个introductionby m·e·j·纽曼
《华尔街日报》的数学社会学
2013年
37
4
250年
251年
10.1080 / 0022250 x.2012.744247
[
]6
Doreian
P。
Batagelj
V。
Ferligoj
一个。
先进的网络集群和Blockmodeling
2020年
美国新泽西州霍博肯
约翰威利& Sons
[
]7
Adolfsson
一个。
阿克曼
M。
布朗斯坦
n . C。
集群,集群:clusterability的分析方法
模式识别
2019年
88年
13
26
10.1016 / j.patcog.2018.10.026
2 - s2.0 - 85056149897
[
]8
梁
X。
社会网络结构分析和网络社区发现
诉讼的社会计算与人工智能
2020年9月
可汗、瑞士
施普林格
155年
178年
[
]9
Radicchi
F。
可以见到效果
C。
Cecconi
F。
Loreto
V。
帕里
D。
定义和识别社区网络
美国国家科学院院刊》上
2004年
101年
9
2658年
2663年
10.1073 / pnas.0400054101
2 - s2.0 - 1542357701
[
]10
Fortunato
年代。
社区检测图
物理的报告
2010年
486年
3 - 5
75年
174年
10.1016 / j.physrep.2009.11.002
2 - s2.0 - 74049087026
[
]11
艾哈迈德
一个。
汗
美国年代。
调查显示,最先进的混合数据聚类算法
IEEE访问
2019年
7
31883年
31902年
10.1109 / access.2019.2903568
2 - s2.0 - 85064644861
[
]12
山田
Y。
Masuyama
N。
Amako
N。
Nojima
Y。
厕所
c K。
Ishibuchi
H。
分裂的层次聚类基于自适应共振理论
《2020年国际研讨会上Community-Centric系统(CcS)
2020年9月
日本东京
1
6
[
]13
Babichev
年代。
Durnyak
B。
Pikh
我。
Senkivskyy
V。
客观的评价聚类归纳技术使用density-based和会凝聚的层次聚类算法实现的有效性
学报的国际科学会议”知识系统决策和计算智能的问题
2019年3月
Zalizniy港口,乌克兰
532年
553年
[
]14
Al-Sahaf
H。
Bi
Y。
陈
Q。
一项调查显示进化的机器学习
新西兰皇家学会杂志》上
2019年
49
2
205年
228年
10.1080 / 03036758.2019.1609052
2 - s2.0 - 85065293698
[
]15
易北河
M。
Alzubi
年代。
Kanan
T。
Al-Fuqaha
一个。
Hawashin
B。
一项调查在粒子群优化重点工程和网络应用程序,进化的情报
2019年
可汗、瑞士
施普林格
[
]16
商
R。
白
J。
焦
l
金
C。
社区检测基于模块化和一种改进的遗传算法
自然史答:统计力学及其应用
2013年
392年
5
1215年
1231年
10.1016 / j.physa.2012.11.003
2 - s2.0 - 84872154012
[
]17
Neshat
M。
Sepidnam
G。
Sargolzaei
M。
Toosi
a . N。
人工鱼群算法:最先进的的一项调查,杂交组合,表明应用程序
人工智能审查
2014年
42
4
965年
997年
10.1007 / s10462 - 012 - 9342 - 2
2 - s2.0 - 84924406244
[
]18
杜
H。
费尔德曼
m·W。
李
年代。
金
X。
一个算法检测社交网络的社区结构基于先验知识和模块化
复杂性
2007年
12
3
53
60
10.1002 / cplx.20166
2 - s2.0 - 33847302944
[
]19
Pizzuti
C。
一个复杂的多目标遗传算法找到社区网络
IEEE进化计算
2011年
16
418年
430年
[
]20.
纽曼
m E。
Girvan
M。
寻找和评估网络社区结构
物理评论E
2004年
69年
026113年
10.1103 / physreve.69.026113
2 - s2.0 - 37649028224
[
]21
太阳
p·G。
杨
Y。
方法基于边缘的社区中心
自然史答:统计力学及其应用
2013年
392年
9
1977年
1988年
10.1016 / j.physa.2012.12.024
2 - s2.0 - 84875446858
[
]22
纽曼
m E。
检测的快速算法在网络社区结构
物理评论E
2004年
69年
066133年
10.1103 / physreve.69.066133
2 - s2.0 - 84950325140
[
]23
卡拉斯科
J·J。
乐意的
d . C。
朗
k·J。
茹科夫
l
两偶advertiser-keyword聚类图
诉讼IEEE国际会议上的数据挖掘
2003年12月
美国佛罗里达州墨尔本
[
]24
Girvan
M。
纽曼
m·e·J。
在社会和生物群落结构网络
美国国家科学院院刊》上
2002年
99年
12
7821年
7826年
10.1073 / pnas.122653799
2 - s2.0 - 0037062448
[
]25
Fortunato
年代。
Latora
V。
Marchiori
M。
方法基于信息中心发现社区结构
物理评论E
2004年
70年
056104年
10.1103 / physreve.70.056104
2 - s2.0 - 41349119161
[
]26
Brandes
U。
▽
D。
Gaertler
M。
在模块化聚类
IEEE工程知识和数据
2007年
20.
172年
188年
[
]27
李
年代。
陈
Y。
杜
H。
费尔德曼
m·W。
遗传算法和局部搜索策略,提高了群落结构的检测
复杂性
2010年
15
53
60
[
]28
Pizzuti
C。
Ga-net:社交网络社区检测的遗传算法
程序并行解决问题国际会议的性质
2008年9月
德国多特蒙德
1081年
1090年
[
]29日
霁
J。
首歌
X。
刘
C。
张
X。
蚁群集群与健身观念和信息素扩散在复杂网络社区探测
自然史答:统计力学及其应用
2013年
392年
15
3260年
3272年
10.1016 / j.physa.2013.04.001
2 - s2.0 - 84877701132
[
]30.
刘
Y。
罗
J。
杨
H。
刘
l
发现密切交流社区基于蚁群的聚类模型
《2010年国际会议上人工智能和计算智能
2010年10月
三亚,中国
127年
131年
[
]31日
杜赫
J。
竞技场
一个。
复杂网络社区探测使用极值优化
物理评论E
2005年
72年
027104年
10.1103 / physreve.72.027104
2 - s2.0 - 27244441304
[
]32
曲
J。
混合使用PSO和EO社区检测算法
信息科学和服务科学的进步
2013年
5
187年
[
]33
龚
M。
蔡
Q。
陈
X。
马
l
复杂网络聚类的多目标离散粒子群优化基于分解
IEEE进化计算
2013年
18
82年
97年
[
]34
王
J。
黄
Y。
改进的人工鱼PID神经网络参数优化算法
网络杂志
2013年
8
1726年
10.4304 / jnw.8.8.1726 - 1733
2 - s2.0 - 84881491859
[
]35
巴斯蒂安·
M。
海曼
年代。
Jacomy
M。
Gephi:探索和操纵网络的开放源码软件
2020年
美国加利福尼亚州圣何塞
[
]36
Dhawan
年代。
辛格
K。
巴特拉
一个。
在线社交网络社区发现和行为预测采用节点中心
《移动无线电通信和5 g网络
可汗、瑞士
施普林格
73年
85年
[
]37
纽曼
m E。
Cantwell教授
g . T。
年轻的
J.-G。
改进的互信息度量的聚类、分类和社区检测
物理评论E
2020年
101年
042304年
10.1103 / physreve.101.042304