وزن دهی خوشه های اولیه در مجمع به کمک الگوریتم های مکاشفه ای

چکیده مقاله

خوشه بندی اطلاعات به معنی افراز کردن نمونه ها در خوشه های شبیه به هم می باشد؛ بطوریکه نمونه های هر خوشه حداکثر تشابه را با یکدیگر و حداکثر فاصله را با نمونه های خوشه های دیگر داشته باشند به علت بدون ناظر بودن مسئله خوشه بندی انتخاب یک الگوریتم خاص جهت خوشه بندی یک مجموعه ناشناس امری پر خطر و معمولا شکست خورده م یباشد به خاطر پیچیدگی مسئله و ضعف روش های خوشه بندی پایه، امروزه اکثر مطالعات به سمت روش های خوشه بندی ترکیبی هدایت شده است پراکندگی در نتایج اولیه یکی از مهم ترین عواملی است که می تواند در کیفیت نتایج نهایی اثرگذار باشد همچنین، کیفیت نتایج اولیه نیز عامل دیگری است که در کیفیت نتایج حاصل از ترکیب موثر است هر دو عامل در تحقیقات اخیر خوشه بندی ترکیبی مورد توجه قرار گرفته اند در اینجا یک چارچوب جدید برای بهبود کارایی خوشه بندی ترکیبی پیشنهاد شده است که مبتنی بر استفاده از زیرمجموعه ای از خوشه های اولیه می باشند انتخاب این زیرمجموعه نقش حیاتی در کارایی مجمع دارد این انتخاب به کمک دو روش هوشمند انجام میگیرد ایده های اصلی در رو شهای پیشنهادی برای انتخاب زیرمجموعه ای از خوشه ها، استفاده از خوشه های پایدار به کمک الگوریتمهای جستجوی هوشمند می باشند برای ارزیابی خوشه ها، از معیار پایداری مبتنی بر اطلاعات متقابل استفاده شده است

کلیدواژه‌ها

نویسندگان

جعفر پرتابیان

دانشگاه آزاد اسلامی واحد لامرد گروه کامپیوتر

پرتابیان، جعفر،1394،وزن دهی خوشه های اولیه در مجمع به کمک الگوریتم های مکاشفه ای،کنفرانس بین المللی یافته های نوین پژوهشی درمهندسی برق و علوم کامپیوتر،تهران

ارائه‌شده در

مجموعه مقالات سومین کنفرانس ملی محاسبات نرم علوم مهندسی در صنعت و جامعه1 اسفند 1402 · ایرانشهر