بترکه چشم حسود    

جستجوی پیشرفته مقالات

     عنوان:

نماد اعتماد الکترونیکی

لیست مقالات ترجمه شده

سایر مقالات

امروز
دیروز
هفته جاری
هفته گذشته
ماه جاری
ماه گذشته
بازدید کل
4567
23099
112600
16404402
504044
496149
16893179

آی‌پی شما: 3.231.3.140
امروز: جمعه، 10 فروردين 1403 شمسی ساعت به وقت گرینویچ: 06:01:56
       دسته‌بندی: مقالات خوشه بندی       فروش: 0 بازدید: 6407
روش خوشه بندی مبتنی بر بهینه سازی کلونی مورچه
    قیمت محصول: 200000 ریال



Ant Colony Optimization based Clustering Methodology

 

Abstract

In this work we consider spatial clustering problem with no a priori information. The number of clusters is unknown, and clusters may have arbitrary shapes and density differences. The proposed clustering methodology addresses several challenges of the clustering problem including solution evaluation, neighborhood construction, and data set reduction. In this context, we first introduce two objective functions, namely adjusted compactness and relative separation. Each objective function evaluates the clustering solution with respect to the local characteristics of the neighborhoods. This allows us to measure the quality of a wide range of clustering solutions without a priori information. Next, using the two objective functions we present a novel clustering methodology based on Ant Colony Optimization (ACO-C). ACO-C works in a multi-objective setting and yields a set of non-dominated solutions. ACO-C has two pre-processing steps: neighborhood construction and data set reduction. The former extracts the local characteristics of data points, whereas the latter is used for scalability. We compare the proposed methodology with other clustering approaches. The experimental results indicate that ACO-C outperforms the competing approaches. The multi-objective evaluation mechanism relative to the neighborhoods enhances the extraction of the arbitrary-shaped clusters having density variations.

Keywords: Clustering, Ant Colony Optimization, Multiple objectives, Data set reduction.

 

pdf   دانلود رایگان مقاله انگلیسی630.28 KB

 

در این مقاله ما مشکلات خوشه بندی فضایی را بدون در نظر گرفتن اطلاعات قبلی بررسی می¬کنیم. تعداد خوشه ها نا مشخص است و خوشه¬ها ممکن است دارای اشکال متفاوت و تراکم¬های گوناگونی باشند. روش خوشه¬بندی پیشنهادی، چالش¬های مهم در خوشه¬بندی از جمله، ارزیابی راه حل، ساختار همسایگی و کاهش مجموعه داده¬ها را بررسی می¬کند. در این مقاله، ما ابتدا دو تابع هدف، به نام¬های تنظیم فشردگی و جدایی نسبی را مورد بررسی قرار می¬دهیم. هر دو تابع هدف، راه حل های خوشه¬بندی را با در نظر گرفتن مشخصه های همسایگی ارزیابی می¬کنند. این موضوع به ما اجازه می¬دهد تا کیفیت دامنه¬ی گسترده راه¬حل¬های خوشه¬بندی را بدون در نظر گرفتن اطلاعات اولیه اندازه¬گیری کنیم. با استفاده از دو تابع هدف، ما یک متودولوژی جدید خوشه بندی مبتنی بر الگوریتم بهینه سازی کلونی مورچه(ACO-C)، را پیشنهاد کرده¬ایم. الگوریتم کلونی مورچه، در محیط¬های چند منظوره کار می¬کند و مجموعه راه حل های غیر سلطه یافته تولید می¬کند. الگویتم کلونی مورچه دارای دو مرحله، پیش پردازش است: ساختار همسایگی و کاهش مجموعه داده. اولی از ویژگی¬¬های نقاط داده محلی استفاده می¬کند در حالی که دومی از مقیاس پذیری استفاده می¬کند. ما روش پیشنهادی خود را با روش های قبلی خوشه بندی مقایسه می¬کنیم. نتایج آزمایشات نشان می دهد که روش ACO-C یک روش بهتری نسبت به سایر روش ها است. مکانیزم ارزیابی چند هدفه مربوط به همسایگی، میزان استخراج دلخواه خوشه ها با چگالی های گوناگون را افزایش می¬دهد.
کلمات کلیدی: خوشه¬بندی، بهینه سازی کلونی مورچه، چند هدفه، کاهش مجموعه داده.

 

 

 تعداد صفحات مقاله انگلیسی:   51  صفحه

 تعداد صفحات فارسی مقاله ترجمه شده :  25   صفحه

 قالب بندی فایل: فایل ورد (Word)

 

 


لینک دانلود فایل خریداری شده بلافاصله بعد از پرداخت آنلاین فعال می‌شود