الگوریتم ترکیبی خوشه بندی با استفاده از رویکرد بهینه سازی جغرافیای زیستی

سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 412

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

COMCONF05_269

تاریخ نمایه سازی: 21 اردیبهشت 1397

چکیده مقاله:

خوشه بندی به معنای تقسیم بندی بدون نظارت میباشد. با استفاده از آن داده ها به دستههایی که از نظر پارامترهای مورد علاقه شباهت بیشتری به یکدیگر دارند، تقسیم میگردند. الگوریتم K-Means یکی از مشهورترین روشهای خوشه بندی است که علیرغم مزایای بسیاری همچون سرعت بالا و سهولت در پیادهسازی دارای مشکلاتی نظیر حساس بودن به مقدار اولیه و همگرایی به نقاط بهینه محلی میباشد. در این مقاله جهت رفع مشکلات ذکرشده از روش ترکیبی مبتنی بر الگوریتم بهینه سازی جغرافیای زیستی و K-Means بهره گرفته خواهد شد. همچنین جهت ارزیابی، روش پیشنهادی بر روی چهار مجموعه داده ی مشهور و استاندارد Iris، Wine، CMC و Vowel پیاده سازی گردیده و نتایج با الگوریتم های مورچگان، اجتماع ذرات، ژنتیک، شبیه سازی تبرید، جستجوی ممنوعه و K-Means مقایسه شده است. جهت مقایسه ی کیفیت خوشه بندی الگوریتم پیشنهادی با الگوریتم K-Means از شاخصهای اعتبارسنجی دان، دیویس-بولدین، کالینسکی-هاراباسز و سیلهوته استفاده شده است. نتایج نشان میدهد الگوریتم پیشنهادی توانسته است مشکل مقدار اولیه را در الگوریتم K-Means مرتفع کرده و ضمن خروج از دام بهینه محلی، از سرعت و دقت همگرایی بهتری برخوردار باشد. مقایسه شاخصهای ارزیابی بیان شده نشان میدهد کیفیت الگوریتم پیشنهادی به مراتب بهتر از روش K-Means میباشد.

نویسندگان

فاطمه سعادت جو

استاد گروه کامپیوتر ، دانشگاه علم و هنر، یزد، ایران

فضل الله ادیب نیا

استاد گروه کامپیوتر ، دانشگاه یزد، یزد، ایران

سیدمجتبی لاله

گروه کامپیوتر ، دانشکده فنی و مهندسی ، واحد یزد ، دانشگاه آزاد اسلامی ، یزد، ایران