-
نشریه مهندسی برق و مهندسی کامپیوتر ایران، سال بیست و پنجم شماره 2 (پیاپی 86، تابستان 1403)، صص 100 -108
ماژولاریتی، یکی از ویژگی های برجسته شبکه های پیچیده است که ساختار این شبکه ها را به صورت گروه های جامعه ای تقسیم می کند. تاکنون، روش های زیادی برای شناسایی جوامع در شبکه های پیچیده به کار گرفته شده است، اما برخی از این روش ها بهینه سازی های محلی دارند که به ترتیب پردازش نودها، جواب نهایی را تحت تاثیر قرار می دهند. در این مقاله، یک روش جدید برای یافتن جوامع در شبکه های پیچیده با استفاده از تقسیم و ادغام پیشنهاد شده است. در این روش، از درخت پوشای کمینه به عنوان یک ابزار برای تشخیص عدم تشابه بین نودها استفاده می شود. در فرایند تقسیم، یال هایی که بیشترین عدم تشابه را نشان می دهند، در درخت پوشای کمینه حذف می شوند تا گروه های کوچکتری از نودهای یک جامعه ایجاد شوند. در فرایند ادغام، هر گروه با گروه همسایه ادغام می شود که ترکیب آنها بیشترین افزایش ماژولاریتی را نسبت به گروه های همسایه دیگر داشته باشند. نتایج آزمایش های انجام شده بر روی شبکه های واقعی و شبکه های ساختگی نشان می دهد که روش پیشنهادی در این مقاله، دقت بهتری برای شناسایی جوامع در شبکه های پیچیده دارد.
کلید واژگان: شبکه های پیچیده, جامعه, درخت پوشای مینیمم, افزایش ماژولاریتیModularity is one of the prominent features of complex networks that divides the structure of these networks into community groups. So far, many methods have been used to identify communities in complex networks, but some of these methods have local optimizations that affect the order of processing nodes and the final solution. In this paper, a new method for finding communities in complex networks using split and merge is proposed. In this method, minimum spanning tree is used as a tool to detect dissimilarity between nodes. In the partitioning process, the edges that show the most dissimilarity are removed in the minimum spanning tree to create smaller groups of nodes in a community. In the merging process, each group is merged with the neighboring group whose combination has the highest increase in modularity compared to other neighboring groups. The results of experiments conducted on real networks and artificial networks show that the method proposed in this article has a good accuracy for identifying communities in complex networks.
Keywords: Complex Networks, Community, Minimum Spanning Tree, Increasing Modularity -
جامعه ی دینی، جامعه ی هماهنگمقاله ی حاضر از عامل انسجام در جامعه ی دینی جستجو می کند. در جامعه ی دینی، مانند هر جامعه ی دیگر، شبکه ی پیچیده ای از روابط و تعامل ها وجود دارد. انسجام جامعه ی دینی به چنین شبکه ی پیچیده با نگرش سیستمی مساله ی تحقیق حاضر است. اگرچه ستون خیمه ی جامعه ی دینی بلکه همه ی اضلاع این جامعه خداست، خدا ملاک نهایی اخلاق است و اصول راهبردی اخلاق که بر این ملاک نهایی مبتنی اند، الگوهای رفتاری در سطح نهادها و سازمان های اجتماعی وحدت بخش جامعه دینی است...
کلید واژگان: جامعه ی دینی, رفتار ارتباطی, اصول راهبردی اخلاق, عدالت -
شراره های خورشیدی از جمله پدیده های بزرگ مقیاس خورشیدی هستند که تاثیر شگرفی بر آب وهوای زمین دارند. با استفاده از سری زمانی داده های شراره ی خورشیدی از اول ژانویه 2006 تا 21 ژولای 2016 ، شبکه ی پیچیده برای پیش بینی شراره های خورشیدی را توسعه می دهیم. در این مطالعه، یک الگوی ترکیبی برای ساخت شبکه ی پیچیده ی شراره های خورشیدی را اریه می دهیم. با استفاده از شبکه ی پیچیده ی ساخته شده حاضر، قانون اموری به-عنوان یک خاصیت جهان شمول برای زنجیره ی پس شراره ها بازیابی می شود. بسامد پس شراره های خورشیدی با زمان به صورت توانی کاهش پیدا می کند. تجزیه وتحلیل آماری از کاتالوگ های رویدادهای شراره ای اشاره می کند که یک وابستگی توانی وقوع هر دو پیش شراره وپس شراره ی متناظر با یک شراره اصلی را مشخص می کند. الگوی ترکیبی قانون اموری را برای فرایندهای پیش شراره-پس شراره همبسته بایک رویداد اصلی را بازسازی می کند.Solar flares are large-scale phenomena that have a significant effect on the Earth’s climate. Using the solar flare time series from January 1, 2006 to July 21, 2016, we develop a complex network for predicting solar flares. In the work, hybrid model is employed to construct complex network. In addition to the position of the flares and their occurrence times, the energy of events based on the Telesca-lovallo model is also used to develop solar flare network. Using constructed complex network, the Omori’s law for fore flare and after flares associated with a main flare are retrieved. The frequency of occurrence of solar flares decreases over time as a power law. Statistical analysis of flaring events catalogues indicates that a power-law dependence characterizes the occurrence of both fore flares and after flares corresponding to a main flare. The hybrid model reconstructs the Omori’s law for fore flare–after flare process associated with a main event.Keywords: Solar Flare, Complex Network, Hybrid Model, Omori’s Law
-
در این مقاله به بررسی توپولوژی شبکه های تطبیقی پیچیده مبتنی بر الگوریتم کم ترین مربعات خطا (LMS) برای حالت مشارکت نفوذی و مد تطبیق-ترکیب به منظور تخمین پارامتر پرداخته می شود. مدل های شبکه پیچیده استفاده شده شامل شبکه های منظم، تصادفی و جهان کوچک با شرایط وابستگی مکانی و زمانی دیتا می باشد. مشخصات استفاده شده برای پیاده سازی شبکه های پیچیده علاوه بر میزان دقت تخمین شبکه شامل پارامترهای طول مسیر، ضریب خوشه گرایی و اتصال جبری شبکه خواهد بود. نتایج شبیه سازی ها در تمامی شبکه های پیچیده نشان می دهد که در دو حالت لینک ایده ال و نویزی، شبکه جهان کوچک به دلیل اضافه کردن لینک های تصادفی به شبکه منظم، به دلیل داشتن پارامتر اتصال جبری پایین (میزان مقاوم بودن به از بین رفتن گره)، طول متوسط کوتاه ترین مسیر قابل قبول و ضریب خوشه گرایی بالا (محلی بودن گره ها) در کنار عملکرد تخمین مطلوب دارای برتری نسبی نسبت به سایر شبکه ها دارا است. این از لحاظ طراحی عملی شبکه بسیار مفید می باشد. نتایج شبیه سازی ها برای ضریب ترکیب متروپولیس در ادامه آورده شده است.کلید واژگان: شبکه های تطبیقی, تخمین توزیع شده, مشارکت نفوذی, شبکه های پیچیده, تئوری گراف, الگوریتم LMS, معیار بازدهی شبکه, MSDIn this paper, the topology of complex adaptive networks based on distributed estimation least mean square (LMS) algorithm for the diffusion mode of cooperation (ATC) is studied . The study c overs different network models, including the regular, small - world and random assuming temporal and spatial dependence of data. The parameters used for implementation of complex networks are average path length, cluster coefficient and algebraic connectivi ty in addition to the performance of the network. The simulation results indicate that in all complex networks with ideal and noisy links, the small - world networks (for adding random links) are better candidates for practical implementations due to high al gebraic connectivity (robust to node failure problem) , average path length and cluster coefficients (strong locality). Simulation results are also included for the Metropolis coefficient combination.Keywords: Adaptive networks, distributed estimation, diffusion mode, complex networks, graph theory, LMS Algorithm, mean square deviation (MSD)
-
در این مقاله با تکیه بر خوشه یابی در شبکه های پیچیده که می تواند ویژگی های بزرگ مقیاس شبکه را تعیین کند، به مطالعه 48 بازار مالی در سراسر دنیا می پردازیم. برای این منظور روش بیشینه سازی پیمانگی را برای شبکه های جهت دار و وزن دار توسعه می دهیم. با کمک معیار همبستگی خطی، ماتریس مجاورت را تشکیل داده و با استفاده از نظریه ماتریس های تصادفی فضای ویژه مقداری ماتریس خود را به دو بخش نامربوط و مربوط تقسیم بندی می کنیم. با در نظرگرفتن پنجره زمانی و تحول آن در طول سری های زمانی، نتایج ما نشان می دهد که در حوالی بحران های مالی، خوشه هایی که غالبا تحت تاثیر ویژگی های جغرافیایی است، تشکیل می شوند و از منظر شبکه های پیچیده، کاتوره ای ترین رفتار خود را نشان می دهند.
کلید واژگان: فیزیک اقتصاد, شبکه پیچیده, خوشه یابی, بیشینه سازی پیمانگی, نظریه ماتریس های تصادفیIn this paper, relying on the clustering of complex networks that can determine large scale features of the network, we study 48 financial markets across the world. To this end, we develop a modularity maximization method for directed and weighted networks. According to the linear correlation measure, we construct the adjacency matrix, and by using the theory of random matrices, we divide the space of eigenvalues of our matrix into two irrelevant and relevant fragments. By considering the temporal window and its evolution over time series, our results demonstrate that in the vicinity of so-called financial crisis clusters, which are often affected by geographical characteristics, are formed and from the perspective of complex networks, they show more random behavior.
Keywords: econophysics, complex network, clustering, modularity maximization, Random matrix theory -
بحث محرومیت زدایی از مناطق محروم در میان سایر برنامه های کشورها همواره از اهمیت ویژه یی برخوردار است. دولت ها می کوشند تا با درک نیازها و کمبودهای هر منطقه، اقداماتی در جهت رفع نیازهای اساسی مناطق انجام دهند. در این نوشتار سعی بر آن است تا با کشف ارتباطات پنهان بین شاخص های محرومیت و ارائه ی نتایج، گامی نوین در این حوزه برداشته شود.
بدین منظور رویکرد جدیدی از کاربرد ابزارهای داده کاوی و شبکه های پیچیده در این حوزه ارائه شده که ترکیبی از تکنیک قوانین انجمنی و مفاهیم ساختاری شبکه های پیچیده است. در این رویکرد ابتدا با استفاده از قوانین انجمنی روابط پنهان بین شاخص های نه گانه ی محرومیت به دست آمده و در ادامه شبکه ی ابتکاری مبتنی بر قوانین، به منظور شناسایی تاثیرگذارترین و تاثیرپذیرترین شاخص ها مورد بررسی قرار گرفته است. از نتایج به دست آمده می توان در تصمیم گیری های محرومیت زدایی، اختصاص بودجه برای اجرای بهتر و تمرکزگرایی هدف مند در محرومیت زدایی مناطق استفاده کرد.کلید واژگان: شاخص های چندگانه ی محرومیت, داده کاوی, قوانین انجمنی, شبکه های پیچیدهOvercoming poverty in less developed regions has particular importance for their main programs. Governments try to undertake actions in order to respond to the primary needs and deficiencies of their country by recognizing them. In this regard, this research endeavors to explore the correlation between deprivation indices and provision of results.
Accordingly, a new hybrid approach towards using data mining tools and complex networks is presented that combines association of the rule mining technique and the structural concepts of complex networks. Firstly the hidden relations among the nine sub indices of deprivation are extracted using associated rule mining, and, after that, a new graph is constructed based on the extracted rules and analyzed to find the most effective and affected indices.
The obtained results can be used in decision making in overcoming deprivation and for better funding of deprivation strategies in deprived areas.Keywords: Indices of multiple deprivation, data mining, association rules, complex network -
شبکه های پیچیده در حال حاضر در بسیاری از زمینه های علوم مورد مطالعه قرار گرفته و بسیاری از سامانه های طبیعی می توانند توسط آنها شرح داده شوند. اینترنت و مغز که به ترتیب شبکه ای از مسیریاب ها و نورون ها محسوب می شوند، نمونه هایی از شبکه های پیچیده هستند. همچنین انواع مختلفی از شبکه های پیچیده وجود دارد که می توان به شبکه های بی مقیاس، شبکه های دنیای کوچک و شبکه های تصادفی اشاره کرد. در این مقاله، یک مدل همه گیری از انتشار شایعه در هر سه نوع این شبکه ها پیشنهاد شده که در این مدل، علاوه بر حالات موجود (مستعد - شایعه پراکن- بازیابی شده)، مکانیسم تاخیر در انتشار شایعه همچنین مکانیسم مقابله کننده اضافه شده است. مدل پیشنهادی به صورت: مستعد- در معرض شایعه- شایعه پراکن- مقابله کننده - بازیابی شده- مستعد (SECIRS) ارایه شده است. نحوه ی انتشار و رفع شایعه برای این سه نوع شبکه مقایسه شده است. نتایج شبیه سازی دقیقا با تجزیه و تحلیل نظری مطابقت داشته و نشان می دهد در شبکه های بی مقیاس انتشار شایعه سریع تر از دو نوع دیگر بوده همچنین در شبکه های بی مقیاس مدل پیشنهاد شده در مقایسه با دو مدل SIRS و SEIRS، دارای سرعت انتشار شایعه پایین تر و رفع شایعه سریع تر می باشدکلید واژگان: نسبت بازتولید, مقابله کننده, شبکه پیچیده, شایعه, در معرض شایعه, شبکه اجتماعیComplex networks are currently being studied in many fields of science, and many natural systems can be described by them. The Internet and the brain, which are networks of routers and neurons, respectively, are examples of complex networks. There are also different types of complex networks, which can be referred to as scale free networks, small world networks and random networks. In this paper, an epidemic model of rumor spread in all three types of these networks is proposed. In this model, in addition to the existing cases (susceptible-infected-recovered), the rumor delay mechanism as well as the counter-attack mechanism have been added. The proposed model is presented as: Susceptible - Infected - Infected - Counterattack - Recovered - Susceptible (SECIRS). The methods of diffusion and decontamination for these three types of networks are compared. The simulation results are exactly in line with the theoretical analysis and show that in scale free networks, the spread of pollution is faster than the other two types. Pollution is lower and decontamination is faster.Keywords: Basic reproductive ratio, Counterattak, Complex network, Rumor, Exposed, Social network
-
تحلیل شبکه اجتماعی (SNA) به نگاشت و سنجش ارتباطات میان افراد، گروه ها، سازمانها،... می پردازد. شاخص های مرکزیت در این حوزه به منظور تعیین مهمترین کنشگران درون شبکه اجتماعی تعریف شده اند. یکی از اصلی ترین شاخصهای مرکزیت، مرکزیت نزدیکی می باشد، در این شاخص، مرکزی ترین گره، گره ای است که از سایر گره ها به بقیه نزدیکتر باشد. در این کار تحقیقاتی به ارائه یک چارچوب مفهومی برای تعریف شاخص های مرکزیت نزدیکی در شبکه های پیچیده خواهیم پرداخت. با توجه به اینکه یکی از بزرگترین محدودیتهای تعیین شاخصهای مرکزیت آنست که این شاخصها صرفا براساس موقعیت افراد در شبکه و ساختار رابطه شان با سایر اعضای شبکه معین می شوند و تاثیر ویژگی های فردی در آنها نادیده انگاشته می شود، چارچوب پیشنهادی این پژوهش مبتنی بر ترکیب دو رویکرد است: رویکرد سنتی علوم اجتماعی و رویکرد تحلیل شبکه های اجتماعی؛ یعنی به طور همزمان به ویژگی های فردی وساختار روابط توجه شود. از سوی دیگر کشف اجتماعات و ساختار خوشه ایدر شبکه های پیچیده از اهمیت قابل توجهی برخوردار است به دلیل آنکه به فهم ساختار و عملکرد شبکه ها کمک می کند و برای تفسیر برخی انواع شاخص های مرکزیت نیز الزامی است. لذا ما خوشه بندی طیفی)با تعیین قبلی تعداد خوشه های بهینه(را به عنوان مرحله پیش نیاز یافتن این نوع شاخص های مرکزیت پیشنهاد می کنیم. بر اساس چارچوب مذکور الگوریتمی برای محاسبه مرکزیت نزدیکی در شبکه های پیچیده ارائه خواهیم داد. سپس این الگوریتم برروی شبکه باشگاه کاراته زاخاری اعمال شد که تاکنون بطور وسیعی بعنوان ترازیابی برای کشف اجتماعات در ادبیات موضوع بکاررفته است. نتایج نشانگر این امر است که الگوریتم جدید ما هم در تعیین تعداد مناسب (بهینه) خوشه ها کاراست و هم در تعیین مرکزیت نزدیکی درون خوشه ای.کلید واژگان: شبکه اجتماعی, کنشگران کلیدی, شاخص مرکزیت, خوشه بندی, تحلیل شبکه ای, شبکه های پیچیدهSocial Network Analysis (SNA) is associated with the mapping and measuring of relationships and flows between people, groups, organizations, etc. Centrality measures in this context are defined to identify the most important actors in social network. One of the main centrality measures is closeness centrality; in this measure a node is more "central" if it is closer to many more nodes than any other node. In this paper, we develop a conceptual framework for defining centrality measures in complex networks. It is to be noted that one of the major limitations of determining centrality measures is concerning with the structure and effects of relations among people, groups or organizations in principle, and largely ignoring psychological attributes of the individuals. Therefore the proposed framework is based on the combination of two approaches: social network analysis and traditional social science approach by considering both structure of relations and individual characteristics. Detecting communities in complex networks is of considerable importance for understanding both the structure and function of the networks and it is necessary to interpret radial centrality measures. Therefore, we propose spectral clustering by determining the best number of communities as a prerequisite stage before finding closeness measures of centrality. Based on the proposed framework, an algorithm to compute the closeness centrality in complex networks is developed. We test the proposed algorithm on Zachary’s karate club network which is considerably used as a benchmark for community detection in a network. Experimental results indicate that the new algorithm is efficient at detecting both good inter-cluster closeness centrality and the appropriate number of clusters.Keywords: social networks, key players
-
یکی از مهمترین ویژگی های شبکه های پیچیده وجود ساختارهای اجتماعی می باشد. بطور مشخص شناسایی این ساختارها در شبکه های پیچیده به تحلیل ویژگی های ساختاری شبکه کمک می کند. در سال های اخیر الگوریتم های متعددی برای کشف اجتماعات در شبکه های پیچیده پیشنهاد شده است. با توجه به ویژگی های این اجتماعات، یکی از روش های موجود برای شناسایی اجتماعات ارایه الگوریتم هایی برای وزن دهی یال های شبکه است به طوری که وزن یال های درون اجتماعات افزایش و بطور هم زمان وزن یال های مابین اجتماعات کاهش یابد تا تمایز میان اجتماعات به سادگی قابل شناسایی باشند.در روش پیشنهادی با استفاده از فرآیند وزن دهی به یال ها، بین گره های که مشابهت بیشتری دارند و گره هایی که مشابهت اندکی با هم دارند تمایز قایل می شویم. یعنی با اختصاص وزن با استفاده از معیارهای پیشنهادی در برخی الگوریتم ها ، یال هایی که وزن بیشتری دارند نقش بیشتری در تعیین جمعیت خواهند داشت.با توجه به اینکه یک همبستگی مثبت بین ساختارهای جامعه و معیارهای شباهت وجود دارد، نتایج آزمون های انجام شده نشان می-دهد که استفاده از معیارهای مشابهت محلی به عنوان وزن یال ها برای برخی از الگوریتم ها باعث افزایش دقت تشخیص جوامع می-شود. این الگوریتم ها از درجه گره ها به عنوان یکی از ویژگی های شبکه برای محاسبه قدرت جذب هسته ها برای تشکیل جوامع استفاده می کنند. به عنوان نمونه در مورد شبکه های واقعی، اجرای الگوریتم WHD-EM روی شبکه High school network، جوامع را با دقت NMI=0.6652 و معیار خلوص purity=0.9845 کشف می کند که از بعضی از الگوریتم ها مانند CPM، NMF ، GAME ، GCE، OSLOM و LINK از نظر معیار NMI بهتر است.کلید واژگان: شبکه های پیچیده, شبکه های اجتماعی, شناسایی جوامع, وزن دهی یال هاJournal of Intelligent Multimedia Processing and Communication Systems, Volume:1 Issue: 1, 2020, PP 9 -20In recent years, several algorithms have been proposed for detection in complex networks. It should be noted that wuth regarding the features of these communities, one of the existing methods for identifying communities, is providing an algorithms for weighting the edges of the network as the weight of the edges of the communities are incresed and at the same time the weight of the edges between communities are reduced. Therefore the distinction between communities could be identified simply. In the proposed method with useing the process of weighting the edges, we distinguish between the nodes that are more similar to each other and the nodes that have slight similarity. i.e. by assigning the weight with using the proposed criteria in some algorithms, the edges with more weight will have a greater role in determining the population.According that there is a positive correlation between similarity measures and community structures, the results of the tests shows that using local similarity measures as the weight of edges for some algorithms, causes an increase in the accuracy of communities recognition. These algorithms use the degree of the nodes as one of the network characteristics for computing the cores absorbing ability for communities formation. For example, in the case of Real Networks, running WHD-EM algorithm on the High school network, discovers the communities with the NMI=0.6652 and the purity criteria equal to 0.9845. Also it should be noted that some algorithms such as CPM, OSLOM and LINK in terms of NMI criteria, are better.Keywords: Complex networks, Social networks, community identification
-
نشریه اقتصاد مالی، پیاپی 46 (بهار 1398)، صص 25 -40
شاخص های منعکس کننده رفتار بازار سهام یکی از مهم ترین عوامل تاثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی است. اغلب سرمایه گذاران در بورس اوراق بهادار تهران به شاخص کل بورس توجه دارند که تمامی شرکت های پذیرفته شده در بورس را در بر می گیرد. این مطالعه به معرفی شاخصی جدید با استفاده از روش شبکه های پیچیده می پردازد. شبکه های پیچیده مطالعه همبستگی قیمت های بازار سهام را به خوبی فراهم می آورند و از این رو درک بیشتری از عملکرد بازار برای سرمایه گذاران ایجاد می کنند. در این مطالعه شبکه بازار سهام با داده های 246 سهام بورس اوراق بهادار تهران طی دوره زمانی اولین روز معاملاتی فروردین 1395 تا آخرین روز معاملاتی اسفند 1395 ایجاد شده که در آن، برای اتصال بین دو گره یا سهام از رویکرد WTA، استفاده گردیده است. نتایج حاصل از توزیع درجه شبکه بازار سهام، حاکی از این است که شبکه سهام بازار بورس اوراق بهادار تهران، شبکه ای آزاد از مقیاس است؛ که به وضوح نشان می دهد که تغییرات قیمت بازار سهام به شدت تحت تاثیر تعداد نسبتا کمی از سهام ها قرار دارد. از این رو با استفاده از تحلیل شبکه های پیچیده بازار سهام، شاخصی جدید مبتنی بر درجه و با شمول سهام های منتخب، ارائه شده و با شاخص کل بازار بورس مقایسه می گردد. بر اساس نتایج، شاخص جدید همبستگی معناداری با شاخص کل بازار بورس دارد و می تواند رفتار بازار سهام را به خوبی منعکس نماید.
کلید واژگان: بازار سهام, شبکه های پیچیده, توزیع درجه, شاخص سهام, طبقه بندی JEL : D53, G11, G20
-
از آنجا که گزینه «جستجوی دقیق» غیرفعال است همه کلمات به تنهایی جستجو و سپس با الگوهای استاندارد، رتبه‌ای بر حسب کلمات مورد نظر شما به هر نتیجه اختصاص داده شده‌است.
- نتایج بر اساس میزان ارتباط مرتب شده‌اند و انتظار می‌رود نتایج اولیه به موضوع مورد نظر شما بیشتر نزدیک باشند. تغییر ترتیب نمایش به تاریخ در جستجوی چندکلمه چندان کاربردی نیست!
- جستجوی عادی ابزار ساده‌ای است تا با درج هر کلمه یا عبارت، مرتبط ترین مطلب به شما نمایش داده‌شود. اگر هر شرطی برای جستجوی خود در نظر دارید لازم است از جستجوی پیشرفته استفاده کنید. برای نمونه اگر به دنبال نوشته‌های نویسنده خاصی هستید، یا می‌خواهید کلمات فقط در عنوان مطلب جستجو شود یا دوره زمانی خاصی مدنظر شماست حتما از جستجوی پیشرفته استفاده کنید تا نتایج مطلوب را ببینید.
* ممکن است برخی از فیلترهای زیر دربردارنده هیچ نتیجه‌ای نباشند.
-
معتبرحذف فیلتر
©2000-2025 magiran.com All Rights Reserved.