ارایه رویکرد ترکیبی ممتیک الگوریتم و تیوری آشوب در خوشه بندی داده ها
Publish place: Third National Conference on Electrical and Computer Engineering Distributed Systems and Smart Grids
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 458
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ELECONFK03_027
تاریخ نمایه سازی: 11 مرداد 1396
Abstract:
در خوشهبندی دادهها، هدف کاهش فاصله درون خوشهای و افزایش فاصله بین خوشهای است. بنابراین هدف اصلی، حداقل نمودن فاصله نقاط داده ای تا مراکز خوشه ها می باشد. الگوریتمهای خوشهبندی توانمند، الگوریتم هایی هستند که بتوانند بر روی مجموعه دادههای مختلف، مقدار این معیار را به حداقل برسانند. بدین منظور از الگوریتمهای تکاملی استفاده می شود. یکی از این الگوریتمها، الگوریتم ممتیک است که از طریق ترکیب الگوریتم ژنتیک و یک الگوریتم جستجوی محلی ایجاد میشود. در این الگوریتم عمل جستجو به جای تکرار زیاد از جستجوی هوشمندانه در هر مرحله استفاده می کند. یکی از بهترین روش های خوشه بندی روش means-k است که ترکیب الگوریتم ممتیک با آن نقش مهمی در بالا بردن سرعت همگرایی دارد. همچنین تیوری آشوب یک جستجوی سراسری را به جای جستجوی محلی انجام میدهد. برای بهره گرفتن از مزایای استفاده از سرعت همگرایی الگوریتم ممتیک و ویژگی جستجوی سراسری تیوری آشوب، از ترکیب آنها در روش پیشنهادی استفاده میگردد. این مقاله با هدف کمک به خوشهبندی دادهها و بهبود کارایی آن با ترکیب الگوریتم ممتیک و تیوری آشوب ارایه میشود و با آزمایشات انجام شده که بر روی دیتاهای مختلف صورت گرفت، روند بهبود کمی همگرایی و دقت، اثبات گردید.
Keywords:
Authors
فریماه هوشمند
دانشجوی دکترای تخصصی، گروه کامپیوتر، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران،
محمود محلوجی
عضو هیات علمی، گروه مخابرات، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :