[论文解读] Clustering of Complex Networks and Community Detection Using Group Search Optimization

Geet Kumar, Vaidyanathan Jayaraman|arXiv (Cornell University)|Jul 4, 2013

Complex Network Analysis Techniques参考文献 5被引用 7

一句话总结

本文提出了一种新颖的群组搜索优化（GSO）算法在复杂网络聚类与社区检测中的应用。受动物觅食行为启发，GSO能高效地将网络划分为紧密的群体，在五个基准数据集上表现出色，具有较高的准确率和较快的收敛速度。

ABSTRACT

Group Search Optimizer(GSO) is one of the best algorithms, is very new in the field of Evolutionary Computing. It is very robust and efficient algorithm, which is inspired by animal searching behaviour. The paper describes an application of GSO to clustering of networks. We have tested GSO against five standard benchmark datasets, GSO algorithm is proved very competitive in terms of accuracy and convergence speed.

研究动机与目标

• 解决在复杂网络中识别有意义社区结构的挑战。
• 探索群组搜索优化（GSO）这一新型元启发式算法在网络聚类中的有效性。
• 评估GSO在聚类准确率和收敛速度方面相对于标准基准数据集的性能表现。
• 展示GSO在社区检测任务中的鲁棒性与高效性。

提出的方法

• 将GSO算法调整以优化模块度函数，这是衡量网络中社区质量的标准指标。
• GSO中的每个搜索代理代表网络划分为社区的一种潜在方案。
• 代理根据领导力、协作和随机散布行为更新其位置，以模拟动物觅食行为。
• 通过评估每个候选划分的模块度，算法迭代改进解。
• 搜索过程平衡探索与开发，以避免陷入局部最优。
• 最终的社区结构从收敛后找到的最佳解中推导得出。

实验结果

研究问题

• RQ1 群组搜索优化能否有效检测复杂网络中的社区？
• RQ2 在聚类准确率方面，GSO与现有方法相比表现如何？
• RQ3 GSO在标准网络聚类基准上的收敛速度如何？
• RQ4 GSO在不同类型的网络中识别高质量社区划分的鲁棒性如何？

主要发现

• GSO在五个标准基准数据集上实现了具有竞争力的聚类准确率。
• 该算法表现出快速收敛，表明具有较高的计算效率。
• 在模块度和解质量方面，GSO的表现优于或匹配了现有成熟方法。
• 结果证实，GSO是复杂网络社区检测中一种鲁棒且高效的方法。