مجید عبدلرزاق نژاد - استادیار، دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه بزرگمهر قائنات
فرزانه رفیعی - دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد فردوس، فردوس

پردازش و کشف دانش پنهاد درون داده های حجیم با دو چالش ذخیره سازی و افزایش پیچیدگی محاسباتی روبرو می باشد. همچنین خطای الگوهای کشف شده نیز ارتباط مستقیم با اندازه داده دارد بطوریکه با افزایش اندازه داده، شاهد افزایش خطای الگوهای کشف شده هستیم. در این مقاله به منظور رفع چالش حجم داده در طبقه بندی داده های عظیم توسط روش ماشین بردار پشتیبان، از الگوریتم بهینه سازی نهنگ کوهان دار چندهدفه به منظور بهینه سازی رویکرد ترکیبی مبتنی برخوشه بندی ا ستفاده شده ا ست. وظیفه الگوریتم نهنگ کوهاندار تعیین بهینه مراکز اولیه خو شه های روش k-means در رویکرد پی شنهادی شن می با شد. عملکردرویکرد پیشنهادی شن با عملکرد ترکیب آن با الگوریتم وال تک هدفه و نیز چندهدفه مقایسه شده که داده کاهش یافته توسط وال چندهدفه دقت طبقه بندی براساس SVM بالاتری نسبت به وال تک هدفه و مدل پایه شن دارد.

ماشین بردار پشتیبان، طبقه بندی، خوشه بندی، کاهش حجم داده، الگوریتم بهینه سازی نهنگ کوهاندار، بهینه سازی چندهدفه.