سارا رحمانی - دانشکده مهندسی کامپیوتر و فناوری اطلاعات، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
مجتبی شاکری - دانشکده فنی، دانشگاه گیلان، رشت، ایران

در سال های اخیر مسایل متنوع و پیچیده ای با فضای جستجوی و ابعاد بالا تعریف شده اند که حل آنها با بکارگیری روش های دقیق عملا امکان پذیر نبوده و نیازمند زمان محاسباتی بسیار بالایی است. الگوریتم های فراابتکاری به عنوان رویکردی جایگزین، بطور گسترده برای حل مسایل بهینه سازی با پیچیدگی سخت مورد استفاده قرار گرفته اند. مشکل اصلی این الگوریتم ها گیر افتادن در بهینه محلی به دلیل پویش ضعیف و نیز از دست دادن جواب های خوب به علت انتفاع ضعیف است. بنابراین جهت دستیابی به جواب های با کیفیت در زمان قابل قبول نیاز به انجام هر دو فرآیند در زمان های مناسب است. یک راهکار موثر، تطبیق پذیر کردن پارامترهای کنترلی این الگوریتم هاست. مقداردهی مناسب پارامترهای کنترلی یک الگوریتم فراابتکاری در طول زمان اجرای آن کار دشواری است چون بهترین تنظیمات برای پارامترهای کنترلی می تواند برای داده های مختلف متفاوت باشد. این مقاله، نسخه تطبیق پذیری از یک الگوریتم فراابتکاری نسبتا جدیدی به نام الگوریتم هوش کوهورت را با تنظیم انطباقی پارامتر کنترلی r که فاکتور کاهش بازه نمونه برداری نام دارد، با هدف افزایش سرعت همگرایی برای حل مسیله پیچیده خوشه بندی ارایه داده است. در این مقاله با استفاده از اطلاعات تاریخچه جستجو، رابطه ریاضی جهت تطبیق پذیر کردن مقدار پیشنهاد شده است. به منظور ارزیابی روش پیشنهادی از داده های معرفی شده در مخزن یادگیری ماشین UCI استفاده شده است. نتایج آزمایشات نشان می دهد که در روش پیشنهادی با تطبیق پذیر کردن پارامتر تعداد تکرار الگوریتم کاهش یافته و نتیجتا کاهش زمان همگرایی را موجب می شود اما در عین حال کیفیت جواب نهایی بدست آمده در مقایسه با روش غیر تطبیقی حفظ شده است.

الگوریتم فراابتکاری هوش کوهورت، تطبیق پذیری، خوشه بندی