استفاده از ترکیب الگوریتم سلسله مراتبی و الگوریتم یادگیری تکاملی جهت بهبود دقت در خوشه بندی گره ها در شبکه‌های پیچیده پویا

EasyChair Preprint no. 1668

Abstract

خوشه بندی در حوزه‌های مختلفی از جمله شبکه های پیچیده پویا کاربرد دارد. گره های حاضر در انجمن‌های یک شبکه به احتمال زیادی علایق مشترکی دارند. خوشه بندی در طراحی سیستم‌های توصیه کاربرد زیادی دارد. در این روش ابتدا گره هایی که در گذشته فعالیت مشابهی با گره فعال داشته اند شناسایی می‌شود سپس بر اساس امتیازاتی گره همتا، پیش بینی می‌کند گره فعال چه گره هایی را می‌پسندد و آنها را به خوشه توصیه می‌نماید. بر همین اساس ما در این پژوهش سعی داریم  از سیستم های خوشه بندی برای بهبود خوشه بندی گره های شبکه های پیچیده پویا استفاده نماییم. هدف اصلی ما در این پژوهش بهبود خوشه بندی گره های شبکه های پیچیده پویا با استفاده از سیستم های خوشه بندی می باشد. از جمله فرضیات این پژوهش این است که سیستم خوشه بندی می تواند یک روش کارا برای خوشه بندی گره های شبکه های پیچیده پویا ارائه می دهد و همچنین بر اسا سوابق مکانی و زمانی گره می تواند به عنوان پارامتری جهت خوشه بندی آن ها مورد استفاده قرار بگیرد. در نهایت در این مقاله سعی داریم استفاده از ترکیب الگوریتم سلسله مراتبی و الگوریتم یادگیری تکاملی دقت در خوشه بندی گره ها در شبکه‌های پیچیده پویا را بهبود بخشیم.

Keyphrases: Clustering, Dynamic Complex Networks, Evolutionary Learning Algorithm, Hierarchical algorithm

@Booklet{EasyChair:1668,
  author = {Alireza Farhang},
  title = {استفاده از ترکیب الگوریتم سلسله مراتبی و الگوریتم یادگیری تکاملی جهت بهبود دقت در خوشه بندی گره ها در شبکه‌های پیچیده پویا},
  howpublished = {EasyChair Preprint no. 1668},

  year = {EasyChair, 2019}}