کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4944531 1437996 2017 30 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Generation of power-law networks by employing various attachment schemes: Structural properties emulating real world networks
ترجمه فارسی عنوان
ایجاد شبکه های قدرت قانون با استفاده از طرح های مختلف دلبستگی: ویژگی های ساختاری تقلید از شبکه های دنیای واقعی
کلمات کلیدی
شبکه های پیچیده توزیع قدرت قانون، الگوریتم ژنتیک، دلبستگی ترجیحی، شبکه های بدون مقیاس، شبکه های اجتماعی، تشخیص الگو،
ترجمه چکیده
در این مقاله ما یک روش کلی برای ساخت شبکه های پیچیده پیشنهاد می کنیم. طرح های انتخابی محبوب در الگوریتم ژنتیک برای این ساخت و ساز استفاده می شود. به طور ریاضی، نشان داده شده است که تحت برخی محدودیت های ضعیف، توزیع درجه از شبکه های حاصل از قانون قدرت، به عنوان در شبکه های دنیای واقعی دیده می شود. توزیع درجه قدرت علمی یکی از مهمترین ویژگی های ساختاری است که در بسیاری از شبکه های پیچیده دنیای واقعی دیده می شود. دلیل اصلی ظهور این پدیده مکانیسم دلبستگی ترجیحی است که بیان می کند که در یک شبکه رو به رشد گره با درجه بالاتر احتمال بیشتری برای دریافت لینک های جدید است. با این حال، درجه تنها عامل کلیدی است که بر رشد شبکه منجر می شود که منجر به توزیع درجه قدرت قانون می شود. در عوض، باید عوامل دیگری نیز وجود داشته باشد که اثر تجمعی آن، به نام تناسب گره، نقش مهمی در جذب گره های دیگر و در نتیجه تولید شبکه های قدرت قانون دارد. مفهوم تناسب اندام را می توان به عنوان تعمیم درجه گره دانست. عدم همبستگی در اتصال ترجیحی نقش مهمی در ایجاد شبکه های قدرت قانون در این زمینه ایفا می کند. روش پیشنهادی ساخت و ساز، همچنین منجر به شبکه های قدرت قانون، ترکیبی از ارزش تناسب ذاتی یک گره است که از یک توزیع خاص استخراج شده و با برنامه های مختلف دلبستگی بر اساس روش های مختلفی که معمولا در الگوریتم های ژنتیک استفاده می شود، استفاده می شود. شش طرح مختلف انتخاب در مجموع استفاده می شود. برای هر یک از شبکه های جدید تولید شده برای درک الگوهای رفتاری آنها، روش های شناخته شده ساختاری مختلف مانند متوسط ​​درجه نزدیک ترین همسایگان، طول مسیر متوسط، ضریب خوشه بندی و غیره محاسبه می شود. یافته شده است که این شش طرح را می توان به دو گروه متمایز از سه بر اساس خواص ساختاری آنها تقسیم کرد، در حالیکه یکی از این دو گروه شبکه های قدرت حقوقی را تولید می کند که خواص توپولوژیکی مشابه آنچه در دنیای واقعی مشاهده می شود. در نهایت، شبیه سازی و آزمایش های گسترده در شبکه های همکاری علمی، اثربخشی مدل های پیشنهادی را اثبات می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
ایجاد شبکه های قدرت قانون با استفاده از طرح های مختلف دلبستگی: ویژگی های ساختاری تقلید از شبکه های دنیای واقعی
چکیده انگلیسی
In this article we propose a general methodology for constructing complex networks. Popular selection schemes in Genetic algorithms are used for this construction. Mathematically, it has been shown that, under some weak constraints, the degree distribution of the resulting networks follow power-law, as seen in real world networks. Power-law degree distribution is one of the most significant structural characteristics observed in many real-world complex networks. The main reason behind the emergence of this phenomenon is the mechanism of preferential attachment which states that in a growing network a node with higher degree is more likely to receive new links. However, degree is not the only key factor influencing the network growth leading to power-law degree distribution. Instead, there must be several other factors whose cumulative effect, called fitness of a node, has a significant role in attracting other nodes and thereby producing power law networks. The concept of fitness can be thought of as a generalization of node degree. Heterogeneity in preferential linking also plays an important role in producing power-law networks in this context. The proposed construction methodology, also leading to power law networks, combines the inherent fitness value of a node, drawn from a particular distribution, with various attachment schemes based on the different selection methods commonly used in Genetic algorithms. Six different selection schemes are used in total. Different well known structural measures like average degree of the nearest neighbors, average path length, clustering coefficient, etc. are calculated for each newly generated network to understand their behavior patterns. It has been found that these six schemes can be divided into two distinct groups of three on the basis of their structural properties, where one of these two groups produces proper power-law networks which possess topological properties similar to observed in the real world. Finally, extensive simulations and experiments over scientific collaboration networks validate the effectiveness of the proposed models.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volumes 397–398, August 2017, Pages 219-242
نویسندگان
, ,