این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیق در عملیات در کاربردهای آن، جلد ۲۱، شماره ۳، صفحات ۹۹-۱۱۶
عنوان فارسی ارایه الگوریتم فراابتکاری جدید (الگوریتم بهینه‌سازی قشقایی) جهت بهبود دقت خوشه‌بندی داده‌ها با استفاده از روش K-means
چکیده فارسی مقاله خوشه‌بندی یا تجزیه و تحلیل خوشه‌ای یک روش یادگیری بدون نظارت است که اغلب به عنوان یک روش تجزیه و تحلیل داده‌ها برای کشف الگوهای جالب در داده‌ها مانند گروه‌های مشتری بر اساس رفتار آنها استفاده می‌شود. از آن جایی که مساله خوشه‌بندی از نوع مسایل NP-hard می‌باشد، بهره بردن از الگوریتم‌های هوش تکاملی به دلیل موفقیت در حل دسته وسیعی از مسایل NP-hard در این زمینه مفید می‌باشد. الگوریتم‌های ابتکاری و فراابتکاری زیادی برای حل مساله خوشه‌بندی ارایه شده‌اند. روش K-means  ساده‌ترین روش برای خوشه‌بندی داده‌هاست که از مزایای آن سرعت و سهولت استفاده است و از معایب آن همگرا شدن به بهینه محلی می‌باشد. در این مقاله پس از تعریف تابع هدف کمینه‌سازی الگوریتمK-means  با استفاده از الگوریتم فراابتکاری قشقایی در نرم‌افزار‌Matlab  پیاده‌سازی شد. در طراحی الگوریتم قشقایی ویژگی‌های جمعیت محور بودن، مسیریابی، حافظه محور بودن، ایجاد توازن بین جستجوی محلی و جستجوی سراسری جهت بهبود عملکرد آن در دستیابی به جواب بهینه استفاده شده است. نتایج حاصل از الگوریتم ترکیبی پیشنهادی با دیگر الگوریتم‌های مشهور مقایسه شده و نتایج ازمون فرض نشان داد که الگوریتم پیشنهادی در دستیابی به پاسخ‌های مطلوب کاراست.
کلیدواژه‌های فارسی مقاله بهینه‌سازی، مسایل NP- hard، خوشه‌بندی‌داده‌ها، الگوریتم K-means ، الگوریتم‌های فرا‌‌ابتکاری، الگوریتم‌ بهینه‌سازی قشقایی.
عنوان انگلیسی Presenting a New Meta-Heuristic Algorithm (Qashqai Optimization Algorithm) to Improve the Accuracy of Data Clustering Using the K-Means Method
چکیده انگلیسی مقاله
Clustering or cluster analysis is an unsupervised learning method that is often used as a data analysis method to discover interesting patterns in data such as customer groups based on their behavior. Since clustering is an NP-hard problem, it is useful to use evolutionary intelligence algorithms because of its success in solving a wide range of NP-hard problems. Many heuristic and meta-heuristic algorithms have been proposed to solve the clustering problem. The K-means method is the simplest method for data clustering, which has the advantages of speed and ease of use, and one of its disadvantages is the local optimal convergence. In this paper, after defining the objective function of minimizing the K-means algorithm using Qashqai meta-heuristic algorithm, it was implemented in Matlab software.
In designing the Qashqai algorithm, the characteristics of population-oriented, routing, memory-oriented, have been used to improve its performance in achieving the optimal global solution. The results of the proposed hybrid algorithm were compared with other popular algorithms and the results of the hypothesis test showed that the proposed algorithm is effective in achieving the desired answers.
کلیدواژه‌های انگلیسی مقاله Optimization, NP-Hard Problems, Data Clustering, K-Means Algorithm, Meta-Heuristic Algorithms, Qashqai Algorithm
نویسندگان مقاله مهدی خادم | M. Khadem
Department of Industrial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran.
گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران، ایران

عباس طلوعی اشلقی | A. Toloie Eshlaghy
Department of Industrial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran.
گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران، ایران

کیامرث فتحی هفشجانی | K. Fathi Hafshejani
Department of Industrial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran.
گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد تهران جنوب، دانشگاه آزاد اسلامی،تهران، ایران

نشانی اینترنتی http://jamlu.liau.ac.ir/browse.php?a_code=A-11-1770-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات