要比较多次迭代中igraph聚类的成员，可以使用以下步骤：

1. 创建一个空的结果列表，用于存储每次迭代的聚类成员。

results = []

2. 使用循环来迭代多次，每次都执行聚类算法。

for i in range(n_iterations):
    # 执行聚类算法
    clusters = graph.community_multilevel()
    # 将聚类结果添加到结果列表中
    results.append(clusters.membership)

3. 对结果列表进行比较，找到最相似的聚类成员。

# 初始化最大相似度和对应的聚类成员
max_similarity = 0
most_similar_clusters = []

# 比较每对聚类成员
for i in range(len(results)):
    for j in range(i+1, len(results)):
        # 计算聚类成员之间的相似度
        similarity = calculate_similarity(results[i], results[j])
        # 如果相似度大于最大相似度，则更新最大相似度和对应的聚类成员
        if similarity > max_similarity:
            max_similarity = similarity
            most_similar_clusters = (results[i], results[j])

# 返回最相似的聚类成员
return most_similar_clusters

4. 在比较聚类成员时，可以使用不同的相似度度量方法，例如Jaccard相似度或余弦相似度。可以根据实际情况选择最适合的度量方法。

以上是一个简单的解决方法示例，你可以根据具体需求进行调整和扩展。