تحلیل شبکه پویا ( به انگلیسی: Dynamic network analysis ) یا ( DNA ) زمینه علمی نوظهوری است که تحلیل شبکه های اجتماعی ( SNA ) ، تحلیل پیوند ( LA ) ، شبیه سازی اجتماعی و سامانه چندعاملی ( MAS ) را در داخل علم شبکه و نظریه شبکه گردهم می آورد.
تحلیل شبکه پویا دو جنبه دارد:
• جنبه اول، استنباط آماری داده های DNA است.
• جنبه دوم، استفاده از شبیه سازی برای رسیدگی به مسایل شبکه پویا است.
شبکه پویا با شبکه های اجتماعی سنتی متفاوت هست زیرا پویا، بزرگ تر، چندحالته و بسیار پیچیده هست که ممکن است دارای سطوح مختلفی از عدم قطعیت باشد. تفاوت اصلی DNA با SNA آنست که شبکه پویا تعاملات ویژگی های اجتماعی را در نظر می گیرد که ساختار و رفتار شبکه ها را شرطی می کند ولی شبکه اجتماعی به تجزیه و تحلیل زمانی گره خورده است البته تجزیه و تحلیل زمانی لزوماً به DNA مرتبط نیست زیرا تغییرات در شبکه ها گاهی ناشی از عوامل خارجی است که مستقل از ویژگی های اجتماعی موجود در شبکه ها هست. یکی از چشمگیرترین و اولین موارد در استفاده از DNA در مطالعه صومعه سامپسون است، جایی که او از همان شبکه از فواصل زمانی مختلف عکس های فوری گرفت و تکامل شبکه را مشاهده و تجزیه و تحلیل کرد. [ ۱]
ابزارهای آماری DNA عموماً برای شبکه های مقیاس بزرگ بهینه سازی شده اند و تجزیه و تحلیل شبکه های متعدد را به طور همزمان می پذیرند که در آن، چندین نوع گره ( چندگره ) و چندین نوع پیوند ( چندپلکس ) وجود دارد. شبکه های چندگره ای چندپلکس معمولاً به عنوان شبکه های متا یا شبکه های با ابعاد بالا شناخته می شوند. در مقابل، ابزارهای آماری SNA بر روی داده های تک یا حداکثر دو حالت تمرکز می کنند و تجزیه و تحلیل تنها یک نوع پیوند را در هر زمان تسهیل می کنند. ابزارهای آماری DNA تمایل به ارائه معیارهای بیشتری به کاربر دارند، زیرا آنها معیارهایی دارند که از داده های گرفته شده از چندین شبکه به طور همزمان استفاده می کنند. مدل های فضای پنهان ( سرکار و مور، ۲۰۰۵ ) [ ۲] و شبیه سازی مبتنی بر عامل اغلب برای بررسی شبکه های اجتماعی پویا استفاده می شود ( کارلی و همکاران، ۲۰۰۹ ) . [ ۳] از دیدگاه شبیه سازی رایانه ای، گره ها در DNA مانند اتم ها در تئوری کوانتومی هستند، گره ها را می توان، اگرچه لازم نیست، به عنوان احتمالی در نظر گرفت در حالی که گره ها در یک مدل SNA سنتی ایستا، گره ها در یک مدل DNA توانایی یادگیری را دارند. خواص در طول زمان تغییر می کند. گره ها می توانند سازگار شوند: کارمندان یک شرکت می توانند مهارت های جدیدی را بیاموزند و ارزش خود را برای شبکه افزایش دهند. یا یک تروریست را دستگیر کنید و سه نفر دیگر مجبور به بداهه سازی می شوند. تغییر از یک گره به گره دیگر و غیره منتشر می شود. DNA عنصر تکامل یک شبکه را اضافه می کند و شرایطی را در نظر می گیرد که تحت آن تغییرات احتمالاً رخ می دهد.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفتحلیل شبکه پویا دو جنبه دارد:
• جنبه اول، استنباط آماری داده های DNA است.
• جنبه دوم، استفاده از شبیه سازی برای رسیدگی به مسایل شبکه پویا است.
شبکه پویا با شبکه های اجتماعی سنتی متفاوت هست زیرا پویا، بزرگ تر، چندحالته و بسیار پیچیده هست که ممکن است دارای سطوح مختلفی از عدم قطعیت باشد. تفاوت اصلی DNA با SNA آنست که شبکه پویا تعاملات ویژگی های اجتماعی را در نظر می گیرد که ساختار و رفتار شبکه ها را شرطی می کند ولی شبکه اجتماعی به تجزیه و تحلیل زمانی گره خورده است البته تجزیه و تحلیل زمانی لزوماً به DNA مرتبط نیست زیرا تغییرات در شبکه ها گاهی ناشی از عوامل خارجی است که مستقل از ویژگی های اجتماعی موجود در شبکه ها هست. یکی از چشمگیرترین و اولین موارد در استفاده از DNA در مطالعه صومعه سامپسون است، جایی که او از همان شبکه از فواصل زمانی مختلف عکس های فوری گرفت و تکامل شبکه را مشاهده و تجزیه و تحلیل کرد. [ ۱]
ابزارهای آماری DNA عموماً برای شبکه های مقیاس بزرگ بهینه سازی شده اند و تجزیه و تحلیل شبکه های متعدد را به طور همزمان می پذیرند که در آن، چندین نوع گره ( چندگره ) و چندین نوع پیوند ( چندپلکس ) وجود دارد. شبکه های چندگره ای چندپلکس معمولاً به عنوان شبکه های متا یا شبکه های با ابعاد بالا شناخته می شوند. در مقابل، ابزارهای آماری SNA بر روی داده های تک یا حداکثر دو حالت تمرکز می کنند و تجزیه و تحلیل تنها یک نوع پیوند را در هر زمان تسهیل می کنند. ابزارهای آماری DNA تمایل به ارائه معیارهای بیشتری به کاربر دارند، زیرا آنها معیارهایی دارند که از داده های گرفته شده از چندین شبکه به طور همزمان استفاده می کنند. مدل های فضای پنهان ( سرکار و مور، ۲۰۰۵ ) [ ۲] و شبیه سازی مبتنی بر عامل اغلب برای بررسی شبکه های اجتماعی پویا استفاده می شود ( کارلی و همکاران، ۲۰۰۹ ) . [ ۳] از دیدگاه شبیه سازی رایانه ای، گره ها در DNA مانند اتم ها در تئوری کوانتومی هستند، گره ها را می توان، اگرچه لازم نیست، به عنوان احتمالی در نظر گرفت در حالی که گره ها در یک مدل SNA سنتی ایستا، گره ها در یک مدل DNA توانایی یادگیری را دارند. خواص در طول زمان تغییر می کند. گره ها می توانند سازگار شوند: کارمندان یک شرکت می توانند مهارت های جدیدی را بیاموزند و ارزش خود را برای شبکه افزایش دهند. یا یک تروریست را دستگیر کنید و سه نفر دیگر مجبور به بداهه سازی می شوند. تغییر از یک گره به گره دیگر و غیره منتشر می شود. DNA عنصر تکامل یک شبکه را اضافه می کند و شرایطی را در نظر می گیرد که تحت آن تغییرات احتمالاً رخ می دهد.
wiki: تحلیل شبکه پویا