خوشهبندی جریان داده با استفاده از الگوریتمFEAC-STREAM بهبودیافته

سال انتشار: 1397
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 641

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ARGCONF03_018

تاریخ نمایه سازی: 26 مرداد 1397

چکیده مقاله:

جریان داده به داده هایی که گفته می شود که بطور پیوسته تولید و از سیستم های بلادرنگ جمع آوری و تحلیل می شوند. الگوریتم k-means یک روش خوشه بندی متداول برای تحلیل جریان داده ها، است. از میان این الگوریتم ساده، مقیاس پذیر و در کاربردهای بلادرنگ موفق است اما در کنار این مزایا، دارای یک محدودیت عمده یعنی تعیین تعداد خوشه ها ،یعنی k ،است. در مسایل مختلف همیشه تعیین مقدار k در همان ابتدا بسیار دشوار و یا حتی غیرممکن است. از دیدگاه بهینه سازی، خوشه بندی یک مسیله گروه بندی NP-hard است. الگوریتم های تکاملی، روش های فراابتکاری هستند که می توانند راه حلی های بهینه ای برای این مسایل ارایه کنند.. در این پژوهش، یک الگوریتم تکاملی سریع برای خوشه بندی جریان داده را بهبود داده ایم. در روش پیشنهادی از یادگیری مبتنی بر تضاد برای تولید جمعیت اولیه با کیفیت استفاده کرده ایم. همچنین از یک روش متفاوت برای فاز جهش و انتخاب بهره گرفته ایم. نتایج مقایسه الگوریتم پیشنهادی و الگوریتم FEAC-STREAM برحسب معیار سیلوت ساده شده نشان می دهند که الگوریتم پیشنهادی بطور قابل ملاحظه ای بهتر عمل می کند.

نویسندگان

مرضیه دامور

دانشجو مقطع کارشناسی ارشد دانشگاه امام رضا ع

علی قاضی خانی

استادیار و عضو هییت علمی دانشگاه امام رضا ع