The problem of inferring nonlinear and complex dynamical systems from available data is prominent in many fields, including engineering, biological, social, physical, and computer sciences. Many evolutionary algorithm (EA)-based network reconstruction methods have been proposed to address this problem, but they ignore several useful information of network structure, such as community structure, which widely exists in various complex networks. Inspired by the community structure, this article develops a community-based evolutionary multiobjective network reconstruction framework to promote the reconstruction performance of EA-based network reconstruction methods due to their good performance; we refer this framework as CEMO-NR. CEMO-NR is a generic framework and any population-based multiobjective metaheuristic algorithm can be employed as the base optimizer. CEMO-NR employs the community structure of networks to divide the original decision space into multiple small decision spaces, and then any multiobjective EA (MOEA) can be used to search for improved solutions in the reduced decision space. To verify the performance of CEMO-NR, this article also designs a test suite for complex network reconstruction problems. Three representative MOEAs are embedded into CEMO-NR and compared with their original versions, respectively. The experimental results have demonstrated the significant improvement benefiting from the proposed CEMO-NR in 30 multiobjective network reconstruction problems (MONRPs).

中文翻译：

---

基于社区结构的复杂网络重构的进化多目标框架

从可用数据推断非线性和复杂动力系统的问题在许多领域都十分突出，包括工程，生物，社会，物理和计算机科学。已经提出了许多基于进化算法（EA）的网络重构方法来解决此问题，但是它们忽略了各种复杂网络中广泛存在的网络结构的有用信息，例如社区结构。受到社区结构的启发，本文开发了一种基于社区的进化多目标网络重构框架，以提高基于EA的网络重构方法的性能。我们将此框架称为CEMO-NR。CEMO-NR是一个通用框架，任何基于总体的多目标元启发式算法都可以用作基础优化器。CEMO-NR利用网络的社区结构将原始决策空间划分为多个小决策空间，然后可以使用任何多目标EA（MOEA）在缩减的决策空间中寻找改进的解决方案。为了验证CEMO-NR的性能，本文还针对复杂的网络重建问题设计了一个测试套件。CEMO-NR中嵌入了三个具有代表性的MOEA，并分别与它们的原始版本进行了比较。实验结果表明，从建议的CEMO-NR中受益于30个多目标网络重构问题（MONRP）的显着改进。CEMO-NR利用网络的社区结构将原始决策空间划分为多个小决策空间，然后可以使用任何多目标EA（MOEA）在缩减的决策空间中寻找改进的解决方案。为了验证CEMO-NR的性能，本文还针对复杂的网络重建问题设计了一个测试套件。CEMO-NR中嵌入了三个具有代表性的MOEA，并分别与它们的原始版本进行了比较。实验结果表明，从建议的CEMO-NR中受益于30个多目标网络重构问题（MONRP）的显着改进。CEMO-NR利用网络的社区结构将原始决策空间划分为多个小决策空间，然后可以使用任何多目标EA（MOEA）在缩减的决策空间中寻找改进的解决方案。为了验证CEMO-NR的性能，本文还针对复杂的网络重建问题设计了一个测试套件。CEMO-NR中嵌入了三个具有代表性的MOEA，并分别与它们的原始版本进行了比较。实验结果表明，从建议的CEMO-NR中受益于30个多目标网络重构问题（MONRP）的显着改进。本文还针对复杂的网络重建问题设计了一个测试套件。CEMO-NR中嵌入了三个具有代表性的MOEA，并分别与它们的原始版本进行了比较。实验结果表明，从建议的CEMO-NR中受益于30个多目标网络重构问题（MONRP）的显着改进。本文还针对复杂的网络重建问题设计了一个测试套件。CEMO-NR中嵌入了三个具有代表性的MOEA，并分别与它们的原始版本进行了比较。实验结果表明，从建议的CEMO-NR中受益于30个多目标网络重建问题（MONRP）的显着改进。