面向复杂社交网络社区检测的多目标进化优化算法
神经与进化计算
2020-05-08 v1 社会与信息网络
摘要
大多数基于优化的社区检测方法将问题构建为单目标或双目标框架。本文中，我们提出一种三目标公式的两个变体，使用定制的非支配排序遗传算法III（NSGA-III）来发现网络中的社区结构。第一个变体名为NSGA-III-KRM，我们将核k均值（Kernel k means）、比率割（Ratio cut）和模块度（Modularity）作为三个目标；而第二个变体名为NSGA-III-CCM，将社区分数（Community score）、社区适应度（Community fitness）和模块度作为三个目标函数。实验在四个基准网络数据集上进行。与最先进的方法以及基于分解的多目标进化算法变体（MOEA/D-KRM和MOEA/D-CCM）的比较表明，所提变体产生了相当或更好的结果。这一点尤其重要，因为增加第三个目标并未使其他两个目标的结果变差。我们还提出了一种通过对获得的帕累托（Pareto）解进行排序的简单方法，即提出一种新度量，即超体积（hyper-volume）与反向世代距离（IGD）之比。该比值越高，帕累托集越好。该策略在多目标框架中缺乏经验达成函数（empirical attainment function）且目标数大于二时特别有用。
引用
@article{arxiv.2005.03181,
title = {Evolutionary Multi Objective Optimization Algorithm for Community Detection in Complex Social Networks},
author = {Shaik Tanveer ul Huq and Vadlamani Ravi and Kalyanmoy Deb},
journal= {arXiv preprint arXiv:2005.03181},
year = {2020}
}
备注
33 pages, 20 figures