Computational Intelligence for Network Structure Analytics

این کتاب آخرین پیشرفت‌های تحقیقاتی را در تجزیه و تحلیل ساختار شبکه پیچیده بر اساس رویکردهای هوش محاسباتی (CI)، به‌ویژه بهینه‌سازی تکاملی ارائه می‌کند. اکثر مسائل شبکه، اگر نه همه، در واقع مسائل بهینه سازی هستند، که عمدتاً NP-hard هستند و تکنیک های بهینه سازی مرسوم را به چالش می کشند. برای حل موثر و کارآمد این مسائل سخت بهینه سازی، تجزیه و تحلیل ساختار شبکه مبتنی بر CI مزایای قابل توجهی را نسبت به تکنیک های تجزیه و تحلیل شبکه معمولی ارائه می دهد. در همین حال، استفاده از تکنیک‌های CI ممکن است تصمیم‌گیری هوشمند را با ارائه گزینه‌های متعدد برای انتخاب تسهیل کند، در حالی که روش‌های مرسوم تنها می‌توانند یک پیشنهاد واحد را به تصمیم‌گیرنده ارائه دهند. علاوه بر این، تجزیه و تحلیل ساختار شبکه مبتنی بر CI می تواند مدل سازی و تجزیه و تحلیل شبکه را تا حد زیادی تسهیل کند. و استفاده از تکنیک‌های CI برای حل مسائل شبکه احتمالاً الهام‌بخش سایر زمینه‌های مطالعاتی مانند سیستم‌های توصیه‌کننده، زیست‌شناسی سیستم و غیره است که به نوبه خود دامنه و کاربردهای CI را گسترش می‌دهد.
به عنوان یک متن جامع، این کتاب طیف وسیعی را پوشش می‌دهد. از موضوعات کلیدی، از جمله کشف جامعه شبکه، بهینه سازی تکاملی، تجزیه و تحلیل تعادل ساختار شبکه، تجزیه و تحلیل استحکام شبکه، توصیه شخصی مبتنی بر جامعه، حداکثرسازی نفوذ، و همسویی شبکه بیولوژیکی.
این کتاب دارای ترکیبی غنی از تئوری و عمل است. مناسب برای دانشجویان، محققان و پزشکان علاقه مند به تجزیه و تحلیل شبکه و هوش محاسباتی، هم به عنوان کتاب درسی و هم به عنوان یک کار مرجع.

This book presents the latest research advances in complex network structure analytics based on computational intelligence (CI) approaches, particularly evolutionary optimization. Most if not all network issues are actually optimization problems, which are mostly NP-hard and challenge conventional optimization techniques. To effectively and efficiently solve these hard optimization problems, CI based network structure analytics offer significant advantages over conventional network analytics techniques. Meanwhile, using CI techniques may facilitate smart decision making by providing multiple options to choose from, while conventional methods can only offer a decision maker a single suggestion. In addition, CI based network structure analytics can greatly facilitate network modeling and analysis. And employing CI techniques to resolve network issues is likely to inspire other fields of study such as recommender systems, system biology, etc., which will in turn expand CI’s scope and applications.
As a comprehensive text, the book covers a range of key topics, including network community discovery, evolutionary optimization, network structure balance analytics, network robustness analytics, community-based personalized recommendation, influence maximization, and biological network alignment.
Offering a rich blend of theory and practice, the book is suitable for students, researchers and practitioners interested in network analytics and computational intelligence, both as a textbook and as a reference work.