論文作者：Weitong Zhang，Rui Zhang，Ronghua Shang，Juanfei Li，Licheng Jiao
論文類型：綜述
論文地址：https://doi.org/10.1016/j.physa.2018.09.186
論文時間：2018年
文章內容
•總結了自然計算方法在社區檢測中的應用。
•詳細介紹了複雜網絡結構的幾種情況。
•總結了複雜網絡中的社區結構及其分區結果的評估指標。
•介紹了自然計算啓發式方法的基本框架。
注：自然計算（Nature Computation，Nature Inspired Computation），具有模仿自然界的特點，通常是一類具有自適應、自組織、自學習能力的模型與算法，能夠解決傳統計算方法難於解決的各種複雜問題。
1. Introduction
複雜網絡特徵：scale-free, small world, clustering and power law degree distribution.
社區檢測的用處：幫助理解（1）網絡點邊結構信息（2）網絡的進化和發展（3）複雜系統的概況
複雜網絡中的社區結構可以定義爲：網絡中具有較少外部連接和較多內部連接的節點集。
複雜網絡中社區檢測的過程是根據網絡中節點的連接將網絡劃分爲幾個社區（即節點集）。
2. Complex network
從網絡中的連接分析來看，網絡可以分爲非加權網絡和加權網絡，有向和無向網絡，符號網絡等。從整體情況分析，根據網絡的變化，複雜的網絡可以分爲靜態網絡和動態網絡。
2.2. Directed and un-directed networks（如標題）
2.3. Weighted and un-weighted networks（如標題）
2.4. Signed network
2.5. Static and dynamic networks
靜態網絡是靜態的不變的，節點和邊的數量，節點間的連接不變。動態網絡反之。
3. Community structure in complex network
3-1 社區結構定義：在複雜的網絡中，社區結構是內部節點緊密連接而外部連接稀疏的結構。
3-2 社區檢測評價指標：通用的評估標準是歸一化互信息（NMI），還介紹了一些其它的。
NMI科普：https://blog.csdn.net/hang916/article/details/88783931
4. Natural computation inspired methods
介紹了幾種經典的自然計算啓發方法，及其應用舉例：
- 多目標優化算法（MOP）；
- 進化算法（EA）（包括遺傳算法（GA），免疫算法（IA），模擬退火（SA）算法）；
- 集羣智能（包括蟻羣優化（ACO）算法， 粒子羣算法（PSO））；
- 神經網絡（NNs）系統。
精度分析：
上述的問題中，將社區檢測視爲優化問題/聚類/分類問題。
1）在進化計算中，精度與目標優化函數有關，當檢測複雜網絡中的社區結構時，常用的目標函數包括社區評分，模塊性，模塊密度，歸一化互信息等。
2）羣體智能算法也是優化算法，通過交叉和變異來獲得最優解。羣體智能算法的適應度函數的選擇與進化算法的選擇相同。 儘管可以獲得具有相應適應度函數值的最佳網絡劃分結果，但是由於適應度函數本身的侷限性，獲得的結果並不總是很準確。 基於羣體智能算法的社區檢測還通過目標函數的增量優化獲得網絡分區結果，因此其準確性受到限制。
3）社區檢測問題也是一種聚類問題。
4）基於神經網絡系統的社區檢測方法還不多，需要進一步檢驗社區檢測方法的準確性。
5. Conclusion
本文總結了自然計算啓發式方法在社區檢測中的應用。 大多數受自然計算啓發的方法主要將社區發現問題作爲優化問題解決。
然後一堆展望。