پردازش علائم و داده ها، جلد ۱۹، شماره ۱، صفحات ۰-۰

عنوان فارسی الگوریتم تشخیص اجتماع مبتنی بر یادگیری تقویتی چندعاملی
چکیده فارسی مقاله

مسئله تشخیص اجتماع، یکی از مسائل چالش برانگیز بهینه‌سازی است که شامل جستجو برای اجتماعاتی است که به یک شبکه یا گراف تعلق داشته و گره‌های عضو هر یک از آنها دارای ویژگی‌های مشترک هستند که تشخیص ویژگی‌های جدید یا روابط خاص در شبکه را ممکن می‌سازند. اگرچه برای مسئله تشخیص اجتماع الگوریتم‌های متعددی ارائه شده است، اما بسیاری از آن‌ها در مواجه با شبکه‌های با مقیاس بزرگ قابل استفاده نبوده و از هزینه محاسباتی بسیار بالایی برخوردارند. در این مقاله، الگوریتمی جدید مبتنی بر یادگیری تقویتی چندعاملی برای تشخیص اجتماعات در شبکه‌های پیچیده ارائه خواهیم نمود که در آن، هر عامل یک موجودیت مستقل با پارامترهای یادگیری متفاوت بوده و براساس همکاری بین عامل‌ها، الگوریتم پیشنهادی به صورت تکرارشونده و براساس مکانیزم یادگیری تقویتی، به جستجوی اجتماعات بهینه می‌پردازد. کارایی الگوریتم پیشنهادی را بر روی چهار شبکه واقعی و تعدادی شبکه مصنوعی ارزیابی نموده و با تعدادی از الگوریتم‌های مشهور در این زمینه مورد مقایسه قرار خواهیم داد. براساس ارزیابی‌ انجام گرفته، الگوریتم پیشنهادی علاوه بر دقت بالا در تشخیص اجتماعات، از سرعت و پایداری مناسبی برخوردار بوده و قابلیت رقابت و حتی غلبه بر الگوریتم‌های مطرح در زمینه تشخیص اجتماعات را نیز دارد.

کلیدواژه‌های فارسی مقاله شبکه‌های پیچیده، تشخیص اجتماع، سیستم‌های چندعاملی، یادگیری تقویتی، ماجولاریتی-Q

عنوان انگلیسی A Multiagent Reinforcement Learning algorithm to solve the Community Detection Problem
چکیده انگلیسی مقاله Community detection is a challenging optimization problem that consists of searching for communities that belong to a network under the assumption that the nodes of the same community share properties that enable the detection of new characteristics or functional relationships in the network. Although there are many algorithms developed for community detection, most of them are unsuitable when dealing with large networks due to their computational cost. In this paper, a new multiagent reinforcement learning algorithm is proposed for community detection in complex networks. Each agent in the multiagent system is an autonomous entity with different learning parameters and based on the cooperation among the learning agents and updating action probabilities of each agent, the algorithm interactively will identifies a set of communities in the input network that are more densely connected than other communities. In other words, a number of independent agents interactively attempt to identify communities and evaluate the quality of the communities found at each stage by the normalized cut as objective function and update their probability vectors based on the results of the evaluation. If the quality of the community found by an agent in each of the stages, better than all the results produced so far, is referred as the successful agent and the other agents will update their probability vectors based on the result of the successful agent.  In the experiments, the performance of the proposed algorithm is validated on four real-world benchmark networks and twelve synthetic LFR networks. Experimental results in comparison with four state-of-the-art community detection algorithms in terms of modularity and NMI show that our algorithm outperforms these algorithms and can detect communities in small-scale and large networks with high speed, accuracy and stability and is capable of managing large-scale networks up to 5000 nodes.
کلیدواژه‌های انگلیسی مقاله Complex networks, Community detection, Multiagent systems, Reinforcement learning, Modularity Q.

نویسندگان مقاله میر محمد علیپور | Mir Mohammad Alipour
University of Bonab
دانشگاه بناب

محسن عبدالحسین زاده | Mohsen Abdolhosseinzadeh
University of Bonab
دانشگاه بناب


نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1961-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات