|
Title
|
مقایسه الگوریتم های فرا اکتشافی بهینه سازی توده ذرات، تکامل تفاضلی و ژنتیک در خوشه بندی داده ها
|
|
Type of Research
|
Presentation
|
|
Keywords
|
خوشه بندی، الگوریتم ژنتیک، الگوریتم تکامل تفاضلی، الگوریتم بهینه سازی توده ذرات، الگوریتم k-means
|
|
Abstract
|
داده کاوی شامل تکنیکهای مختلفی است که یکی از مهمترین آنها، خوشه بندی اطلاعات است. خوشه بندی یکی رویکرد پرکاربرد و محبوب در زمینه یادگیری ماشین، داده کاوی و بازشناخت الگو است. درواقع خوشه بندی داده ها را به یکی دسته هایی که ازنظر پارامترهای موردعلاقه، شباهت بیشتری به یکدیگر دارند، تقسیم می کند. الگوریتم k-means از الگوریتمهای رایج در خوشه بندی است که علیرغم دارا بودن سرعت بالا در بهینه محلی به دام میافتد و همچنین به شرایط اولیه نیز وابسته است، درنتیجه همیشه جواب بهینه مسئله را تولید نمی نماید. برای مقابله با این مشکلات از الگوریتمهای فرا اکتشافی استفاده می شود. در این پژوهش از سه الگوریتم تکاملی بهینه سازی توده ذرات (PSO)، تکامل تفاضلی (DE) و ژنتیک برای بهینه کردن خوشه بندی داده ها در شرایط یکسان بهره گرفته میشود تا کارایی آنها در شرایط یکسان مورد ارزیابی قرار بگیرد. در پایان، نتایج الگوریتمهای ذکر شده به همراه الگوریتم پایه k-means مقایسه میشوند.
|
|
Researchers
|
(First Researcher)، Asgarali Bouyer (Second Researcher)
|