يك روش آينده‌نگر براي بخش‌بندي جرياني گراف‌هاي بزرگ

گراف‌ها ساختارهايي هستند كه براي مدل كردن طيف گسترده‌اي از مسائل در حوزه علوم كامپيوتر،فن‌آوري اطلاعات و ساير حوزه‌ها مورداستفاده قرارگرفته و در بسياري از مباحث مهم ازجمله:پردازش موازي، پردازش تصوير و كلان داده كاربرد دارند. بخش‌بندي جرياني گراف يك مسئله كليدي براي انجام محاسبات كارآمد و مقياس‌پذير روي‌داده‌هاي گراف‌هاي بزرگي همچون گراف شبكه اينترنت و شبكه‌هاي اجتماعي است.افزايش اندازه گراف باعث ايجاد چالش‌هايي در انجام محاسبات و استخراج دانش از گراف موردنظر مي‌گردد، از طرفي مسئله بخش‌بندي گراف يك مسئله ان پي سخت است كه ارائه يك روش ابتكاري كارآمد و بهينه براي حل آن از اهميت بسيار بالايي برخوردار است. لذا در اين پژوهش تلاش كرده‌ايم با ارائه يك روش جديد نتايج بهتري نسبت به كارهايي كه قبلاً در اين حوزه انجام‌شده به دست آوريم. تمركز ما بر روي درجات رئوس گراف بوده است با دسته‌بندي رئوس به سه گروه: رئوس با درجه بالا، رئوس با درجه پايين و ساير رئوس، هنگام تخصيص آن‌ها به بخش‌هاي مختلف از سياست متناسب با وضعيت آن‌ها استفاده مي‌شود به‌اين‌ترتيب كه رئوس درجه پايين را براي ايجاد تعادل بين بخش‌ها و از ساير رئوس به‌جز رئوس درجه بالا براي دستيابي به ميزان يال برش خورده كمتر استفاده مي‌كنيم. رئوس با درجه بالا نيز سعي مي‌شود با اولويت بروز كمترين يال برش خورده به‌طور مساوي بين بخش‌ها توزيع گردند. براي توزيع رئوس درجه بالا نياز به يك ايده آينده‌نگر داشته و بايد بر اساس مشاهداتي كه تا هر مرحله از داده‌هاي رسيده از گراف داشته‌ايم تعداد اين رئوس در كل گراف را تخمين بزنيم. نتايج حاصل از آزمون اين روش بر روي چندين مجموعه داده نشان داده است كه در مقايسه با بهترين روش‌ها در گراف‌هاي بزرگ كاهش ده‌درصدي (10٪) در شاخص يال برش خورده با حفظ تعادل مناسب داشته‌ايم.