ارائه الگوریتمی جدید برای تشخیص اجتماع با استفاده از یادگیری تقویتی چندعاملی

مساله تشخیص اجتماع، یکی از مسایل چالش برانگیز بهینه سازی است که شامل جستجو برای اجتماعاتی است که به یک شبکه یا گراف تعلق دارند و گره های عضو هر یک از آن ها دارای ویژگی های مشترک هستند، که تشخیص ویژگی های جدید یا روابط خاص در شبکه را ممکن می سازند. اگرچه برای مساله تشخیص اجتماع الگوریتم های متعددی ارایه شده است، اما بسیاری از آن ها در مواجه با شبکه های با مقیاس بزرگ قابل استفاده نیستند و از هزینه محاسباتی بسیار بالایی برخوردارند. در این مقاله، الگوریتم جدیدی مبتنی بر یادگیری تقویتی چندعاملی برای تشخیص اجتماع در شبکه های پیچیده ارایه خواهیم کرد که در آن، هر عامل یک موجودیت مستقل با پارامترهای یادگیری متفاوت هستند و بر اساس همکاری بین عامل ها، الگوریتم پیشنهادی به صورت تکرارشونده و بر اساس مکانیزم یادگیری تقویتی، به جستجوی اجتماعات بهینه می پردازد. کارایی الگوریتم پیشنهادی را بر روی چهار شبکه واقعی و تعدادی شبکه مصنوعی ارزیابی شده است، و با تعدادی از الگوریتم های مشهور در این زمینه مقایسه می کنیم. بر اساس ارزیابی انجام گرفته، الگوریتم پیشنهادی علاوه بر دقت بالا در تشخیص اجتماع، از سرعت و پایداری مناسبی برخوردار است و قابلیت رقابت و حتی غلبه بر الگوریتم های مطرح در زمینه تشخیص اجتماع را نیز داشته و نتایج الگوریتم پیشنهادی بر اساس معیارهای Q-ماجولاریتی و NMI متوسط بر روی شبکه های واقعی و مصنوعی به ترتیب 33/12%، 85/9% و بیش از 21 % بهتر از الگوریتم های مورد مقایسه است.