مسأله تشخیص اجتماع، یکی از مسائل چالشبرانگیز بهینه سازی است که شامل جستجو برای اجتماعاتی است که به یک شبکه یا گراف تعلق دارند و گرههای عضو هر یک از آنها دارای ویژگیهای مشترک هستند، که تشخیص ویژگیهای جدید یا روابط خاص در شبکه را ممکن میسازند. اگرچه برای مسأله تشخیص اجتماع الگوریتمهای متعددی ارائهشده است، اما بسیاری از آنها در مواجه با شبکههای با مقیاس بزرگ قابل استفاده نیستند و از هزینه محاسباتی بسیار بالایی برخوردارند. در این مقاله، الگوریتم جدیدی مبتنی بر یادگیری تقویتی چندعاملی برای تشخیص اجتماع در شبکه های پیچیده ارائه خواهیم کرد که در آن، هر عامل یک موجودیت مستقل با پارامترهای یادگیری متفاوت هستند و بر اساس همکاری بین عاملها، الگوریتم پیشنهادی بهصورت تکرارشونده و بر اساس سازوکار یادگیری تقویتی، به جستجوی اجتماعات بهینه میپردازد. کارایی الگوریتم پیشنهادی را بر روی چهار شبکه واقعی و تعدادی شبکه مصنوعی ارزیابی شده است، و با تعدادی از الگوریتمهای مشهور در این زمینه مقایسه میکنیم. بر اساس ارزیابی انجام گرفته، الگوریتم پیشنهادی علاوه بر دقت بالا در تشخیص اجتماع، از سرعت و پایداری مناسبی برخوردار است و قابلیت رقابت و حتی غلبه بر الگوریتمهای مطرح در زمینه تشخیص اجتماع را نیز داشته و نتایج الگوریتم پیشنهادی بر اساس معیارهای NMI , ماجولاریتی -Q متوسط بر روی شبکه های واقعی و مصنوعی به ترتیب 12.33%، 9.85 و بیش از 21% بهتر از الگوریتمهای مورد مقایسه است.
