الگوریت ژنتیک چند هدفه ی، چگالی احتمال مبتنی بر دسته بندی فازی خصوصیات دسته ای

با اینکه تقاضا برای دسته بندی داده های دسته ای تعداد کمی الگوریتم دسته بندی با توجه ویژه به داده های دسته ای افزایش یافته است، با این حال اکثر این روشها سعی در بهینه سازی تنها یک معیار، برای یک دسته بندی خوب دارند. اما ممکن است یک معیار به تنهایی برای مجموعه داده های مختلف مناسب نباشد. از این رو بررسی های متعدد نشان داده که اهداف مختلف در یک مسئله ممکن است با یکدیگر در تضاد باشند. در اینجا یک الگوریتم ژنتیک چند هدفه ی مبتنی بر دسته بندی فازی خصوصیات دسته ای پیشنهاد شده است که mode های دسته ها را رمز گذاری می کند و به طور همزمان دو هدف compactness fuzzy و fuzzy separation دسته ها را بهینه می کند. همچنین برای بدست آوردن یک راه حل بهینه از مجموعه نتایج بدست آمده از روش پارتو استفاده می کند. در این مقاله روشی جدید برای دسته بندی داده های دسته ای ارائه کردیه ایم که پایه ی اساسی آن بر روی الگوریتم NSGA-II است که همانند روش PBIL عملکردهای سنتی GA را کنار گذاشته و به جای آنها از نمونه گیری آماری استفاده می کنیم. مقایسه نتایج آزمایشات برتری روش پیشنهادی را به طور قابل محسوسی نشان می دهد.

کلیدواژه ها:

بهینه سازی پارتو ، EDAs. PBIL. NSGA-II