[论文解读] Search for overlapped communities by parallel genetic algorithms

Vincenza Carchiolo, Alessandro Longheu+2 more|ArXiv.org|Dec 4, 2009

Complex Network Analysis Techniques参考文献 24被引用 6

一句话总结

本文提出一种并行遗传算法（PGA），用于检测复杂网络中的重叠社区，利用进化计算优化社区检测。通过将遗传算法分布在多个处理器上，该方法实现了更快的收敛速度和更高的可扩展性，在基准网络上的性能显著优于串行方法。

ABSTRACT

In the last decade the broad scope of complex networks has led to a rapid progress. In this area a particular interest has the study of community structures. The analysis of this type of structure requires the formalization of the intuitive concept of community and the definition of indices of goodness for the obtained results. A lot of algorithms has been presented to reach this goal. In particular, an interesting problem is the search of overlapped communities and it is field seems very interesting a solution based on the use of genetic algorithms. The approach discusses in this paper is based on a parallel implementation of a genetic algorithm and shows the performance benefits of this solution.

研究动机与目标

• 解决复杂网络中节点可属于多个社区的重叠社区检测挑战。
• 提升大规模网络社区检测算法的效率与可扩展性。
• 探索并行遗传算法作为重叠社区检测可扩展解决方案的应用。
• 评估并行化在基于遗传算法的社区检测中的性能优势。

提出的方法

• 设计一种并行遗传算法（PGA），以优化复杂网络中的社区检测，其中种群中的每个个体代表一种潜在的社区划分。
• 算法基于模块度和重叠度指标设计适应度函数，以评估社区结构的质量。
• 通过主从架构实现并行化，多个处理器同时处理不同的种群或子种群。
• 应用交叉和变异算子在多代中演化解决方案，选择基于适应度得分。
• 算法迭代改进社区分配，直至收敛或达到最大代数。
• 通过允许单个个体中节点被分配到多个社区，该方法支持重叠社区。

实验结果

研究问题

• RQ1 如何将复杂网络中的重叠社区检测有效建模为优化问题？
• RQ2 并行化为基于遗传算法的社区检测带来了哪些性能提升？
• RQ3 并行遗传算法是否能优于串行方法检测重叠社区？
• RQ4 所提出的PGA如何在提升计算效率的同时保持解决方案质量？

主要发现

• 与串行方法相比，并行遗传算法实现了更快的收敛速度，显著缩短了大规模网络的运行时间。
• PGA在模块度得分上优于基线方法，成功识别出重叠社区。
• 并行处理的使用显著提升了可扩展性，实现了大规模网络的高效分析。
• 该算法在检测具有重叠成员关系的复杂社区结构方面表现出强健性。