ارائه الگوريتمي جديد براي تشخيص اجتماع با استفاده از يادگيري تقويتي چندعاملي

مسأله تشخيص اجتماع، يكي از مسائل چالش‌برانگيز بهينه‌سازي است كه شامل جستجو براي اجتماعاتي است كه به يك شبكه يا گراف تعلق دارند و گره‌هاي عضو هر يك از آن‌ها داراي ويژگي‌هاي مشترك هستند، كه تشخيص ويژگي‌هاي جديد يا روابط خاص در شبكه را ممكن مي‌سازند. اگرچه براي مسأله تشخيص اجتماع الگوريتم‌هاي متعددي ارائه‌شده است، اما بسياري از آن‌ها در مواجه با شبكه‌هاي با مقياس بزرگ قابل‌استفاده نيستند و از هزينه محاسباتي بسيار بالايي برخوردارند. در اين مقاله، الگوريتم جديدي مبتني بر يادگيري تقويتي چندعاملي براي تشخيص اجتماع در شبكه‌هاي پيچيده ارائه خواهيم كرد كه در آن، هر عامل يك موجوديت مستقل با پارامترهاي يادگيري متفاوت هستند و بر اساس همكاري بين عامل‌ها، الگوريتم پيشنهادي به‌صورت تكرارشونده و بر اساس مكانيزم يادگيري تقويتي، به جستجوي اجتماعات بهينه مي‌پردازد. كارايي الگوريتم پيشنهادي را بر روي چهار شبكه واقعي و تعدادي شبكه مصنوعي ارزيابي شده است، و با تعدادي از الگوريتم‌هاي مشهور در اين زمينه مقايسه مي‌كنيم. بر اساس ارزيابي‌ انجام‌گرفته، الگوريتم پيشنهادي علاوه بر دقت بالا در تشخيص اجتماع، از سرعت و پايداري مناسبي برخوردار است و قابليت رقابت و حتي غلبه بر الگوريتم‌هاي مطرح در زمينه تشخيص اجتماع را نيز داشته و نتايج الگوريتم پيشنهادي بر اساس معيارهاي Qماجولاريتي و NMI متوسط بر روي شبكه‌هاي واقعي و مصنوعي به‌ترتيب 12.33%، 9.85% و بيش از 21 % بهتر از الگوريتم‌هاي مورد مقايسه است.