چکیده فارسی :

مساله ماکزیمم سازی بر روی پیدا کردن زیرمجموعه‌ای کوچک از گره‌ها در یک شبکه اجتماعی متمرکز است که گسترش نفوذ را به حداکثر می‌رساند. در حالی که الگوریتم حریصانه و برخی بهبودها در آن برای حل این مشکل به کار گرفته شده‌اند، زمان راه‌حل طولانی همچنان یک مشکل باقی می‌ماند. الگوریتم‌های بهینه‌سازی تصادفی مانند الگوریتم بازپخت شبیه سازی شده (simulated a_nnealing algorithm) انتخاب‌های دیگری برای حل این مشکل هستند، اما اغلب در حالت مطلوب محلی گیر می‌افتند. ما یک الگوریتم ژنتیک برای حل مساله ماکزیمم سازی تاثیر پیشنهاد می‌کنیم. از طریق رقابت چند جمعیتی، با استفاده از این الگوریتم، ما در حالی که تنوع راه‌حل را حفظ می‌کنیم نتیجه بهینه بدست می‌آوریم. ما روش خود را با شبکه‌های واقعی آزمایش کردیم و الگوریتم ژنتیک ما کمی بدتر از الگوریتم حریصانه اما بهتر از الگوریتم‌های دیگر عمل کرد.

چکیده انگلیسی:

The influence maximization problem focuses on finding a small subset of nodes in a  social network that maximizes the spread of influence. While the greedy algorithm and some improvements to it have been applied to solve this problem, the long solution time remains a problem. Stochastic optimization algorithms, such as simulated annealing, are other choices for solving this problem, but they often become trapped in local optima. We propose a genetic algorithm to solve the influence maximization problem. Through multi-population competition, using this algorithm we achieve an optimal result while maintaining diversity of the solution. We tested our method with actual networks, and our genetic algorithm performed slightly worse than the greedy algorithm but better than other algorithms.