复现复杂网络社区检测论文：乌鸦搜索算法（Crow Search Algorithm）与kmeans结合的实现疑问求助

我已经花了一年多的时间，尝试复现一篇基于深度学习的复杂网络社区检测的论文，但卡在了乌鸦搜索算法（CSA）和K-means结合的核心步骤上，始终没法得到和论文一致的结果，现在时间非常紧张，实在走投无路了，恳请大家帮忙！

我理解的论文核心流程 #

按照论文描述，CSA的实现应该是以下步骤：

1. 生成初始种群
2. 将种群位置传入适应度函数
3. 用真实标签计算种群位置的NMI值
4. 返回NMI得分最高的位置
5. 筛选出最优位置
6. 将最优位置作为初始聚类中心传入K-means
7. K-means输出最终的社区划分结果

遇到的核心问题 #

我在实现时，走到步骤3就卡壳了：生成的初始种群是连续数值，但我的数据集真实标签是离散的社区编号，根本没法直接计算NMI。

我试过ChatGPT给出的方案：在适应度函数里先对种群位置跑K-means，再用K-means的聚类结果和真实标签计算NMI。但这样的话，K-means就要用两次——一次在适应度函数里，一次在CSA流程的最后一步来生成最终社区。

我按这个方案实现后，结果完全不对：论文要求的四个评估指标（NMI、Precision、Recall、Modularity）没有一个能和论文表格里的数值对上。

论文第9页给出的算法伪代码 #

Input: S : Flock Size,
    d : number of dimensions,
    F : Set of all possible solutions and values,
    itermax : Max number of iterations,
    fl : flight length,
    AP : Awareness probability
Output: Optimal positions
1: crowPositions ← InitializeRandomPosition(d, F, S)
2: Memory ← InitializeMemory(d, F, S)
3: Fitness ← CalculateFitness(CrowPositions)
4: score ← NMIscore(ActualLabels, PredictedClusterLabels)
5: while k < itermax
6:     for i ← 1 to S
7:         ri ← GenerateRandom()
8:         RandomCrow ← ChooseRandomCrow(S)
9:         NewPosn ← UpdatePosn(CrowPositions, i, Memory, RandomCrow, AP, ri)
10:    endfor
11:    if NewPosn ∈ F
12:        CrowPostions ← NewPosn
13:    endif
14:    NewFitness ← CalculateFitness(CrowPostions)
15:    if NewFitness > Fitness
16:        Memory ← CrowPostions
17:    endif
18:    k ← k + 1
19: endwhile
20: return crow position with best fitness out of all CrowPostions

补充说明 #

我手头有论文里用到的所有数据集的真实标签，也试过各种调整参数的方法，但始终没进展。之前还花钱找别人帮忙实现，结果对方给的代码完全不对，既浪费了时间也没退回钱，现在真的非常焦虑。

如果有人读懂了这篇论文的实现逻辑，或者遇到过类似的问题，恳请指点我到底哪里错了，应该怎么修正这个流程？

备注：内容来源于stack exchange，提问作者Mahsa.S