fa بهبود خوشه‌بندی شبکه‌های اجتماعی با الگوریتم تکاملی رقابت استعماری و معیار شباهت درونی گره‌های شبکه تخصصي Special علمی- ترویجی Scientific-extension <span style="font-family:B Nazanin;"><span style="font-size:14.0pt;">به دلیل رشد روز افزون تمایل افراد به عضویت و استفاده از شبکه‌های&nbsp; اجتماعی، برقراری ارتباط و به اشتراک‌گذاری داده‌های موجود در این شبکه‌ها، مورد توجه علوم مختلف همانند علوم سیاسی، روانشناسی، جامعه شناسی، اقتصاد و </span></span><span style="font-family:Sakkal Majalla;"><span style="font-size:14.0pt;">&hellip;</span></span><span style="font-family:B Nazanin;"><span style="font-size:14.0pt;"> قرار گرفته است. به همین دلیل، محققین اقدام به تشخیص و استخراج روابط بین افراد از داده‌های موجود در این شبکه‌ها، برای ایجاد جوامع دقیق‌تر نموده اند. با این حال هنوز روشی موثر جهت شناسایی و استخراج جوامع، بر مبنای داده‌های شبکه‌های اجتماعی ارایه نشده است</span></span><span dir="LTR"><span style="font-size:14.0pt;">.</span></span><span style="font-family:B Nazanin;"><span style="font-size:14.0pt;"></span></span><br> <span style="font-family:B Nazanin;"><span style="font-size:14.0pt;">در این مقاله، به منظور خوشه‌بندی دقیق‌تر جوامع موجود در یک شبکه اجتماعی، روشی بر پایه استفاده از الگوریتم فرا ابتکاری تکاملی رقابت استعماری و با انتخاب جمعیت اولیه بر اساس معیار خوشه‌بندی مبتنی بر چگالی معرفی شده است. روش پیشنهادی در مقایسه با الگوریتم رقابت استعماری پایه، به‌طور میانگین مقدار ماژولاریتی را 21.45% افزایش داده و جوامع منسجم‌تری را استخراج نموده است</span></span><span dir="LTR"><span style="font-size:14.0pt;">.</span></span><span style="font-family:B Nazanin;"><span style="font-size:14.0pt;"></span></span> &nbsp;Due to the growing desire of people to join and use social networks, communication and sharing data in these networks has been considered by various sciences such as political science, psychology, sociology, economics, etc. Hence, researchers have begun to distinguish and extract relationships between individuals from the data contained in these networks, to create more accurate communities. However, there is still no effective method to identify and extract communities based on social media data.<span dir="RTL"></span><br> In this article, a method has been proposed for social network accurate clustering by using Imperial Competitive Evolutionary Algorithm (ICEA) and selecting the initial population based on the density-based clustering criterion. The proposed method has improved the result of modularity about <span dir="RTL">21.45%</span> in average, compared to rival basic ICEA and extracted more densed communities. الگوریتم رقابت استعماری, الگوریتم‌های تکاملی, خوشه‌بندی گراف, خوشه‌بندی مبتنی بر چگالی, شبکه‌های اجتماعی Imperial Competitive Algorithm, Evolutionary Algorithms, Graph Clustering, density-based clustering, Social Networks 33 40 http://kiaeee.ir/browse.php?a_code=A-10-154-3&slc_lang=fa&sid=1 محمدامین شایگان shayegan@iaushiraz.ac.ir 1003194753284600818 1003194753284600818 No گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد شیراز علی حسینی a.hosseini@iaushiraz.ac.ir 1003194753284600819 1003194753284600819 Yes باشگاه پژوهشگران جوان و نخبگان دانشگاه آزاد اسلامی واحد شیراز سعید صدیقی s.sedighi@iaushiraz.ac.ir 1003194753284600820 1003194753284600820 No باشگاه پژوهشگران جوان و نخبگان دانشگاه آزاد اسلامی واحد شیراز