یک الگوریتم ترکیبی جدید برای خوشه بندی داده هابا استفاده از PSO
Publish place: Second National Conference on New Technologies in Electrical and Computer Engineering
Publish Year: 1397
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 517
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICTI02_095
تاریخ نمایه سازی: 7 خرداد 1398
Abstract:
خوشه بندی یکی از تکنیک های اصلی داده کاوی است که به طور گسترده در علوم مختلف از جمله پزشکی و بیو انفورماتیک، بازاریابی و اقتصاد، یادگیری ماشین و تشخیص الگو بکار می رود. الگوریتم K-Means یکی از معروف ترین الگوریت مهای خوشه بندی است که به دلیل سادگی و کارایی بالاوسهولت پیاده سازی با اینکه معایبی مانند قرار گرفتن در بهینه های محلی و حساس بودن به مقادیر اولیه دارد پس از گذشت نیم قرن از ارائه آن، توسط محققین بسیاری از رشته ها بکارگرفته می شود. الگوریتم بهینه سازی دسته ذرات (PSO) الگوریتمی است با قدرت بالا در جستجوی سراسری و سرعت همگرایی آن نسبت به الگوریتم K-Means پایین است. در این مقاله استفاده از مزایای هر یک از این دو الگوریتم همچنین جلوگیری از تاثیر منفی نقطه ضعف های هر یک از این دو الگوریتم می باشد. مهمترین مزیت الگوریتم K-means، سرعت همگرایی بسیار بالای آن و بزرگترین عیب آن گیر افتادن در بهینه های محلی یا همان همگرایی زودرس می باشد. از طرف دیگر الگوریتم PSO دارای توانایی بالاتری در فرار از بهینه های محلی و انجام جستجوی سراسری دارد ولی سرعت همگرایی آن نسبت به الگوریتم K-means بسیار پایین تر می باشد. با توجه به موارد ذکر شده، هدف اصلی الگوریتم ترکیبی پیشنهادی استفاده از الگوریتم K-means برای افزایش سرعت همگرایی و همچنین توانایی الگوریتم PSO در انجام جستجوی سراسری می باشد.
Keywords:
Authors
زهرا جوانمرد
کارشناسی ارشدعلوم کامپیوتر