نویسندگان
دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران, دانشکده مهندسی و علوم کامپیوتر، دانشگاه شهید بهشتی، تهران، ایران
چکیده
یکی از موفقترین مدلهای رشد در شبکههای پیچیده و اجتماعی، مدل باراباشی-آلبرت (BA) است که رشد و اتصال ترجیحی خطی (LPA) را بهعنوان دو عنصر سازندة اصلیِ یک شبکه خود-سازمانده در ساختار مقیاس-آزاد (SF) پیشنهاد کرده است. این عوامل ناظر به این واقعیتاند که پدیدة رشد در اغلب شبکهها حاصل از افزودن گرههای جدیدی است که به شکل ترجیحی به گرههایی با درجه بالا در شبکه اتصال مییابند. رسانههای اجتماعی در یکپارچهسازی روابط عمومی کمک شایان توجهی کرده و فنآوریها و روشهای راهبردی را بیش از پیش گسترش دادهاند که این امر ناشی از پدیدة مهم ادغام رسانهها و شبکههای جدید در یکدیگر بوده است. ویژگی ادغام در شبکهها به رشد و گسترش آنها کمک میکند و بدین ترتیب، شبکههای مختلف از منظر تحقیق و توسعه، سرمایهگذاری، منابع انسانی، خدمات پس از فروش و خدمات مشتری در یکدیگر ادغام و یکپارچهسازی میشوند. همچنین، تبیین شباهتها/عدم شباهتها میان مدلهای مختلف گراف و مطالعة ناهمگنی (نامنتظمی) گرافها، یکی از مسایل پژوهشی بنیادی در مطالعة شبکههای پیچیده و اجتماعی محسوب میشود. مدل BA، مدل مولدی است که مکانیزمهایی را جهت ورود و افزودن گرهها در شبکه پیشنهاد داده است. در این مقاله، یک روش نوین و کارآمد جهت ادغام دو شبکه مقیاس-آزاد مبتنی بر مدل BA ارائه شده است. تکنیک پیشنهادی براساس ترکیب روش ترجیح براساس مشابهت به راهحل ایدآل (TOPSIS) با انتروپی وزندار است که به اختصار EWM-TOPSIS نام دارد. این تکنیک با روش رتبهبندی مبتی بر انتروپی کوانتومی مقایسه و برتری آن با نتایج برآمده از آزمونهای شبیهسازی نشان داده شده است. افزون براین، پدیده ناهمگنی در گرافِ یکپارچة ناشی از فرآیند ادغام، به کمک مهمترین شاخصهای ناهمگنی، اندازهگیری و سنجش شده است. الگوریتم ادغام پیشنهادی میتواند بازتابی از سناریوهای دنیای واقعی در فرآیند یکپارچهسازی شبکههای پیچیده و اجتماعی باشد و محوریت اصلی آن نیز بر حفظ ویژگیهای اصلی گرافهای مدل BA استوار است. نتایج تجربیِ آزمونهای شبیهسازی نشان میدهند که روش ادغام پیشنهادی در مقایسه با سایر روشها و همراه با شاخصهای ناهمگنی میتواند با دقت و صحت مناسبی بهمنظور تبیینِ مشخصات شبکههای مقیاس-آزاد مدل BA مورد استفاده قرار بگیرد.
کلیدواژهها