 دهویسندة عه نباتر مکات داCorresponding   مقاله:رسالریخ ا تا71 / 77 / 7931  یخ پذیرش: تار20 / 77 / 7931  نتشار:ریخ ا تا27 / 29 / 7022  مطالعه: نوع پژوهشی سال7022 شمارة7 اپی پی01 16 ع همی جوام شناسایده ازستفا ا پوشان با هوش جمعی چند عامله حمد عکافان م 7 ینای ، بهروز می 0 * ورضا باقری علی 9 1 ن/شمال اسلمی واحد تهراه آزادنشگا دا ، تهران، ایران 2 عت ایرانشگاه علم و صن دان ، تهران، ایران 3 امیرکبیرشگاه صنعتی دان ، تهران، ایران چکیده چشم انداز شبکه اجتعی روش واضح ما ی را میعی فراهمجتمای اادهایل ساختار کل نه تجزیه و تحل برای کند . تشخیص جوامع در شبکهز چالشکی ا ها ی بزرگکی ازز ی در علم شبکه و نیساسیی ا هاغدغه ترین دمعه اصلیی جامع، شناسایی جواز شناسای پس ا ها دین جامعه که متعلق به چنل در شبکه استمل فعا عوا هست ند. ی با یکدیگر همفتن جوامعی که اارند پوشانی د، در شبکهجتماعیی ا ها لب در دادههم و جا یک مبحث م کاوی و سامانه های پیشنهادنده ده است. الگوریتم ارائهینهتنی بر بهین مقاله مبه در ا شدزدحامزی ا سا ذرات چندمله است عا ؛ به گونهه فعالیتجموعهی در م سازماند ای که خود عاملده می ها دیعث افزایش دقتود. هوش جمعی با ش میتجوی سراسری جسص میاد جوامع را تشخی کدگذاری، تعدز نوع خاصیده استفا اد و با شوهد د ؛ به گونهمانگی که شاخص پی ای بهینهازش، در بهن تابع بر عنواهد گرفت. آزمایشار خواستفاده قر ذرات مورد ازدحامزی ا ساد نشا های متعد ن میهد الگوریتم د معرفی شده باینه نام بهم ذراتزدحازی ا سا چند عامله، قادر به تشخیص گره ها یع هم موجود در جوام پوشانل است. در با دقت بسیار با پژوهش گذشتهی د های رنیه از بهستفاده امع با تشخیص جواوص خصما آنم شده است، انجام ذرات ازدحازی ا ساا تنها ه قادر به تشخیص ع غیر هم جوام هستند. پوشان ینهدی: بهژگان کلی وام ذراتزدحازی ا سا 7 ، چند عامله 0 مانگی ، پی 9 ، شبکهجتماعی ا 0 ی جوامع ، شناسای هم پوشان 5 Identifying overlapping communities using multi-agent collective intelligence Mohammad Akafan 1 , Behrouz Minaei-Bidgoli 2* & Alireza Bagheri 3 1 Islamic Azad University, North Tehran Branch, Tehran, Iran 2 Iran University of Science and Technology, School of Computer Engineering, Tehran, Iran 3 Amirkabir University of Technology, Department of Computer Engineering, Tehran, Iran Abstract The proposed algorithm in this research is based on the multi-agent particle swarm optimization as a collective intelligence due to the connection between several simple components which enables them to regulate their behavior and relationships with the rest of the group according to certain rules. As a result, self-organizing in collective activities can be seen. Community structure is crucial for many network systems, the algorithm uses a special type of coding to identify the number of communities without any prior knowledge. In this method, the modularity function is used as a fitness function to optimize particle swarm. Several experiments show that the proposed algorithm which is called Multi Agent Particle Swarm is superior compared with other algorithms. This algorithm is capable of detecting nodes in overlapping communities with high accuracy. 1 Particle swarm optimization (PSO) 2 Multi-agent 3 Modularity 4 Social network 5 Overlapping community detection [ Downloaded from jsdp.rcisp.ac.ir on 2021-12-14 ] 1 / 14