ارائه روش بهبود یافته الگوریتم کلونی زنبور عسل برای خوشه بندی داده ها

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,495

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICS11_207

تاریخ نمایه سازی: 14 مهر 1392

چکیده مقاله:

خوشه بندی یکی از روش های مهم در زمینه تحلیل داده ها است. در خوشه بندی داده ها به گروه های با معنی تقسیم می شون. در این مقاله یک روش بهبود یافته الگوریتم کلونی زنبور عسل برای خوشه بندی داده ها ارائه شده است. الگوریتم کلونی زنبور عسل، یکی از روش های جدید بهینه سازی تصادفی است که از رفتار جمعی زنبورهای عسل، الهام گرفته شده است. یکی از مشکلات الگوریتم کلاسیک زنبور عسل دیر همگرا شدن و گیر افتادن در بهینه محلی است. در این مقاله یک الگوریتم جدید مبتنی بر کلونی زنبور عسل برای مسئله خوشه بندی داده ها پیشنهاد شده است. کارایی الگوریتم پیشنهادی بر روی مجموعه داده ه ای پایگاه UCI مورد ارزیابی قرار گرفته شده است. نتایج به دست آمده از آزمایشات نشان دهنده بهبود عملکرد این الگوریتم در مقایسه با الگوریتم کلاسیک زنبور عسل و الگوریتم k-means است

کلیدواژه ها:

خوشه بندی ، الگوریتم بهبود یافته کلونی زنبور عسل ، الگوریتم کلونی زنبور عسل ، الگوریتم شبیه سازی تبرید ، جستجوی محلی ، جستجوی سراسری

نویسندگان

نفیسه ایمانیان

دانشجوی کارشناسی ارشد علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر دانشگاه صنعتی امیرکبیر

فرهاد محمد ملکی

دانشجوی دکتری علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر دانشگاه صنعتی امیرکبیر

محمد ابراهیم شیر

عضو هیئت علمی، دانشکده ریاضی و علوم کامپیوتر دانشگاه صنعتی امیرکبیر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • p rO gramming-bas ed approach, " Pattern Recogn. Lett., vol. ...
  • p rO gramming-bas ed approach, " Pattern Recognition Letters, vol. ...
  • large databases, " SIGMOD Rec. vol. 27, pp. 84-73, .1998 ...
  • of Multivariatc Observations, " presented at the Proceedings of the ...
  • Methods for Spatial Data Mining, " presented at the Proceedings ...
  • 0th International Conference _ Very Large Data Bases, .1994 [6] ...
  • Large Multimedia Databases with Noise, " 1998, pp. .65-58 [7] ...
  • Data via the EM Algorithm, " Journal of the Royal ...
  • clustering approach for spatial data in very large databases, " ...
  • Function Algorithms: Kluwer Academic Publisher, .1981 ...
  • X.-H. Wu and J.-J. Zhou, "An Improved Possibilistic C-Means Algorithm ...
  • X. Rui and D. Wunsch, II, "Survey of clustering algorithms, ...
  • J. Handl and B. Meyer, " Ant-based and swarm-based clustering, ...
  • E. R. Hruschka, et al., "Evolving clusters in gene -expression ...
  • P. S. Shelokar, et al. " An ant colony approach ...
  • D. W. van der Merwe and A. P. Engelbrecht, "Data ...
  • D. Karaboga, " An idea based on Honey Bee Swarm ...
  • D. Karaboga and C. Ozturk, "A novel clustering approach: Artificial ...
  • نمایش کامل مراجع