• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Expert Systems with Application >Multiplex community detection in complex networks using an evolutionary approach
【24h】

Multiplex community detection in complex networks using an evolutionary approach

机译：使用进化方法的复杂网络中的多重社区检测

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Multiplex networks are the general representative of complex systems composed of distinct interactions between the same entities on multiple layers. Community detection in the multiplex networks is the problem of finding a shared structure under all layers, which combines the information of the entire network. Most of the existing methods for community detection in the single-layer networks cannot be well applied to detect shared communities in multiplex networks. In this paper, we employ a multi objective evolutionary approach, namely Multi-Objective Evolutionary Algorithm based on Decomposition with Tabu Search (MOEA/D-TS), to detect shared communities in multiplex networks. Also, we have improved the MOEA/D-TS using a social networks analysis measure named Clustering Coefficient (CC) in terms of the generation of the initial population. This hybrid algorithm employs the parallel computing capacity of the Multi-Objective Evolutionary Algorithm based on Decomposition (MOEA/D) along with the neighborhood search authority of Tabu Search (TS) for discovering Pareto optimal solutions. Extensive experiments on a variety of single-layer and multiplex real-world data sets show the superiority of the proposed method in comparison to state-of-the-art algorithms and its capability for producing improved results. (C) 2020 Elsevier Ltd. All rights reserved.
机译：多重网络是复杂系统的一般代表，该复杂系统由多层上相同实体之间的独特交互组成。复用网络中的社区检测是在所有层下找到共享结构的问题，该结构结合了整个网络的信息。单层网络中用于社区检测的大多数现有方法不能很好地应用于检测多路复用网络中的共享社区。在本文中，我们采用一种多目标进化方法，即基于禁忌分解的多目标进化算法（MOEA / D-TS），来检测多路复用网络中的共享社区。此外，我们在初始人口的产生方面使用了一种称为聚类系数（CC）的社交网络分析方法，改进了MOEA / D-TS。该混合算法利用基于分解的多目标进化算法（MOEA / D）的并行计算能力以及禁忌搜索（TS）的邻域搜索权限来发现Pareto最优解。在各种单层和多路复用现实世界数据集上进行的大量实验表明，与最新算法相比，该方法具有优越性，并且能够产生更好的结果。 （C）2020 Elsevier Ltd.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号