بهبود خوشه بندی با استفاده از الگوریتم ژنتیک با درنظر گرفتن نرخ عملگر جهش
Publish place: 2nd Iranian National Conference on Electrical Engineering
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 526
متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
INCEE02_100
تاریخ نمایه سازی: 19 تیر 1394
Abstract:
خوشه بندی از ابزارهای متداول داده کاوی بوده که به استخراج خوشه های با حداکثر شباهت بین عناصر داخل دسته و حداقل شباهت با عناصر سایر دسته ها می پردازد. الگوریتم K-MEANS یکی از مشهورترین الگوریتم ها برای خوشه بندی می باشد. اما مشکلاتی از قبیل حساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی از قدرت آن می کاهد. ما در این مقاله با استفاده از یک الگوریتم ژنتیک سعی بر آن داریم که خوشه بندی را به بهترین نحو انجام دهیم و نشان می دهیم که نقاط بهینه محلی زیاد هستند در نتیجه نرخ جهش را تغییر دهیم و در نهایت به این نتیجه می رسیم که اگر نرخ جهش بالا باشد می توان بهتر خوشه بندی انجام داد.
Authors
سارا سراوانی
دانشجوی دانشگاه میرداماد گرگان
علی اکبر تجری
دانشجوی دکتری دانشگاه تبریز