ا فزایش کارایی الگوریتمهای کلاسترینگ مبتنی بر روش یادگیری تقویتی

یک الگوریتم خوشه بندی ، نمونه های موجود در یک فضای داده را بر اساس ویژگیه ایشان به گروههای متمایز دسته بندی می کند . ار آنجا که نمونه ها هیچ گونه اطلاعاتی در ارتباط با کلاس واقعیشان به همراه ندارند، تکنیک خوشه بندی جزء روشهای یادگیری بدون ناظر قلمداد می شود . روشهای زیادی برای بهبود کارایی تکنیکهای خوشه بندی ارائه شده اند . یکی از روشهای نوین پیشنهاد شده ، استفاده از اید ه یادگیری تقویتی برای ارتقاء کارایی روشهای خوشه بندی متداول است . یادگیری تقویتی بین دو روش یادگیری با ناظر و بدون ناظر طبقه بندی می شود . در این حالت اگر چه نمونه ها برچسب کلاس ندارند، ولی به ازای دسته بندی مطلوب یا نا مطلوب نمونه ها ، از سوی محیط یادگیری تقویتی ، پاداش یا تنبیه متناسب با آن دسته بندی دریافت می شود . در این مقاله نیز از اید ه یادگیری تقویتی برای افزایش کارایی الگوریتم خوشه بندی kmeans استفاده شده است . نوآوری به کار رفته در این مقاله استفاده از الگوریتم ژنتی ک به موازات روش یادگیری تقویتی ب ا هدف افزایش هر چه بیشتر کارایی الگوریتم خوشه بندی kmeans می باشد . نتایج به دست آمده حاکی از آن است که استفاده از الگوریتم ژنتی ک به موازات روش یادگیری تقویتی در مقایسه با شیوه های متداو ل استفاده از روش یادگیری تقویتی، تاثی ر بیشتری در افزایش کارایی الگوریتمهای خوشه بندی دارد

Keywords:

یادگیری تقویتی , خوشه بندی وفقی , الگوریتم ژنتیک , تابع فاصل ه اقلیدوسی وزندار , پاداش هوشمندانه