بهینهسازی چندین کمینه پشتیبان در یادگیری قرینه های تابعهای عضویت جهتکشف قانونهای انجمنی فازی با استفاده از الگوریتم ژنتیکفازی

یکی از جدیدترین الگوریتمهایی که جهت کشف قوانین انجمنی فازی اخیراً ارائه شده است، رویکردی است که در آن از مدل نمایش زبانی دو تایی برای نمایش قانون انجمنی فازی استفاده می شود که به ناحیههای فازی توابع عضویت اجازهانتقال نمادین تنها با یک پارامتر را می دهد.به ادعای پیشنهاددهندگان این رویکرد، الگوریتم آنها سبب دستیابی به مقیاسپذیری و توابع عضویت مناسبتری نسبت به دیگر الگوریتم های مشابه خواهد شد. این ادعا با کاهشی که در فضایجستجوی مسأله صورت می پذیرد و نیز با تنظیم توابع عضویت با حفظ درجه شمول بالای داده، درست به نظر می رسد، اما بهنظر ما این بهبود در مواردی چندان چشمگیر نبوده است. ما در کار تحقیقی دیگری، زمان اجرای الگوریتم یاد شده را باخوشهبندیکروموزوم ها به نحو مطلوبی با حفظ پارامترهای کیفی کاهش دادیم. البته الگوریتم ما تنها از یک کمینه پشتیبان جهت استخراج قوانین انجمنی فازی استفاده می نمود. در این مقاله نشان می دهیم که چگونه با الهام از نتایج مثبت انعکاس ترجیحات کاربر (در مورد دانشی که از پایگاه داده به دست می آید) در تابع برازندگی الگوریتم ژنتیک فازی دیگری، می توان در الگوریتم یاد شده ، چندین کمینه پشتیبان را بهینه کرده ، اندازهی برازندگی کروموزوم ها را افزایش داده و از همه مهمتر با تنظیم مناسب تر جابه جایی ناحیه های فازی، توابع عضویت بهینه تری را به دست آورد

کلیدواژه ها:

الگوریتم ژنتیک فازی ، بهینه سازی فازی ، داده کاوی ، خوشهبندی ، یادگیری قرینه های تابع عضویت