تحلیل شبکه اجتماعی (SNA) به نگاشت و سنجش ارتباطات میان افراد، گروهها، سازمانها، ... می پردازد. شاخص های مرکزیت در این حوزه بمنظور تعیین مهمترین کنشگران درون شبکه اجتماعی تعریف شده اند. یکی از اصلی ترین شاخصهای مرکزیت، مرکزیت نزدیکی می باشد، در این شاخص، مرکزی ترین گ چکیده کامل
تحلیل شبکه اجتماعی (SNA) به نگاشت و سنجش ارتباطات میان افراد، گروهها، سازمانها، ... می پردازد. شاخص های مرکزیت در این حوزه بمنظور 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 شبکههای 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 شبکههای اجتماعی؛ یعنی به طور همزمان به ویژگیهای فردی وساختار روابط توجه شود. از سوی دیگر کشف اجتماعات و ساختار خوشه ای در شبکههای پیچیده از اهمیت قابل توجهی برخوردار است به دلیل آنکه به فهم ساختار و عملکرد شبکهها کمک میکند و برای تفسیر برخی انواع شاخصهای مرکزیت نیز الزامی است. لذا ما خوشهبندی طیفی )با تعیین قبلی تعداد خوشههای بهینه( را بهعنوان مرحله پیشنیاز یافتن این نوع شاخصهای مرکزیت پیشنهاد میکنیم. بر اساس چارچوب مذکور الگوریتمی برای محاسبه مرکزیت نزدیکی در شبکههای 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) خوشهها کاراست و هم در تعیین مرکزیت نزدیکی درونخوشهای.
پرونده مقاله
خوشه بندی به مفهوم اختصاص n شی در k دسته می باشد. خوشه بندی از طریق راه حلهای مختلف قابل حل می باشد که یکی از آنها بکارگیری الگوریتم های فرا ابتکاری است و از طرفی دیگر خوشه بندی خود می تواند ابزاری در جهت حل مسائل پیچیده باشد زیرا امکان جستجوی محلی را در فضای جستجو فراه چکیده کامل
خوشه بندی به مفهوم اختصاص n شی در k دسته می باشد. خوشه بندی از طریق راه حلهای مختلف قابل حل می باشد که یکی از آنها بکارگیری الگوریتم های فرا ابتکاری است و از طرفی دیگر خوشه بندی خود می تواند ابزاری در جهت حل مسائل پیچیده باشد زیرا امکان جستجوی محلی را در فضای جستجو فراهم
می نماید]6.[ یکی از مسائل خوشه بندی که جز مسایل پیچیده می تواند مطرح باشد تشکیل ترکیبات بهینه از اعضا بر مبنای دانش افراد و تخصص مورد نیاز در پروژه های بزرگ جهت ارتقای عملکرد تیمی است، این موضوع از موضوعات با اهمیت و نسبتا جدیدی می باشد که در صنایع و سازمانها مورد توجه می باشد. یکی از الگوریتم های قابل استفاده در حل مسایل خوشه بندی، الگوریتم کلونی مورچگان است. الگوريتم کلوني مورچه الهام گرفته شده ازمطالعات و مشاهدات روي کلوني مورچه هاست. اين مطالعات نشان داده که مورچه ها حشراتي اجتماعي هستند که در کلونيها زندگي ميکنند و رفتار آﻧﻬا بيشتر در جهت بقاء کلوني است تا درجهت بقاء يک جزء از آن.رفتار مورچه ها داراي نوعي هوشمندي تودهاي است که اخيراً مورد توجه دانشمندان قرار گرفته است. در این مقاله براي اولين بار است که الگوريتم کلونی مورچگان را در يک مسأله خوشه بندی و تخصیص اعضا در تیم های دانش محور را بکار می برد. تا این زمان تنها در سال 2009یک مقاله ]5 [این مساله را مورد مطالعه قرار داده و آن هم از طریق الگوریتم ژنتیک حل شده است، البته بعد خوشه بندی بر اساس ویژگیها و محدودیتها نیز در مقاله مذکور مورد توجه قرار نگرفته است، در حالیکه این موضوع از مباحث مطرح در الگوریتم های فرا ابتکاری بوده و از این رو جز محورهای اصلی این مقاله در نظر گرفته شده است.
پرونده مقاله