دوره 14، شماره 2 - ( 6-1396 )                   جلد 14 شماره 2 صفحات 159-169 | برگشت به فهرست نسخه ها


XML English Abstract Print


دانشجوی دکتری دانشگاه تبریز
چکیده:   (892 مشاهده)
الگوریتم رقابت استعماری (ICA)، یکی از کاراترین الگوریتم‌های فرا‌ابتکاری برای پیدا‌کردن جواب بهینه سراسری در مسائل بهینه‌سازی است. در این مقاله از الگوریتم رقابت استعماری برای خوشه‌بندی خودکار مجموعه داده‌های بزرگ و واقعی بدون برچسب استفاده شده است. با بهره‌گیری از ساختار مناسب برای هر یک از کروموزم‌ها و استفاده از الگوریتم رقابت استعماری، در زمان اجرا تعداد بهینه خوشه‌ها هم‌زمان با خوشه‌بندی بهینه داده‌ها به‌دست می‌آید. همچنین برای افزایش دقت و افزایش سرعت هم‌گرایی، ساختار الگوریتم رقابت استعماری با تغییراتی همراه است. روش پیشنهادی (ACICA) نیاز به هیچ‌گونه دانش قبلی برای خوشه‌بندی داده‌ها ندارد. علاوه‌بر آن روش پیشنهادی  در مقایسه با سایر روش‌های خوشه‌بندی مبتنی بر الگوریتم‌های تکاملی، دقت بیشتری را دارد. از معیارهای ارزیابی خوشه‌بندی DB و CS به‌عنوان تابع هدف استفاده شده است. برای نشان‌دادن برتری روش پیشنهادی، میانگین مقدار بهینه تابع هدف و تعداد خوشه­های تعیین‌شده توسط روش پیشنهادی با سه الگوریتم خوشه­بندی خودکار مبتنی بر الگوریتم­های تکاملی مقایسه می‌شود.
 
متن کامل [PDF 4416 kb]   (692 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: ۱۳۹۴/۸/۱۷ | پذیرش: ۱۳۹۵/۱۲/۱۵ | انتشار: ۱۳۹۶/۷/۲۹ | انتشار الکترونیک: ۱۳۹۶/۷/۲۹

فهرست منابع
1. [1] I. Evangelou, "DG Hadjimitsis, AA Lazakidou, Clayton,"" in Data Mining and Knowledge Disco-very in Complex Image Data using Artific-ial Neural Networks", Workshop on Complex Reasoning an Geographical Data, Cyp-rus, 2001. [PMCID]
2. [2] T. Lillesand, R. W. Kiefer, and J. Chipman, Remote sensing and image interpretation. John Wiley & Sons, 2014.
3. [3] K. Fukunaga, Introduction to statistical pattern recognition. Academic press, 2013.
4. [4] H. Frigui and R. Krishnapuram, "A robust competitive clustering algorithm with applica-tions in computer vision," Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 21, no. 5, pp. 450-465, 1999. [DOI:10.1109/34.765656]
5. [5] Y. Leung, J.-S. Zhang, and Z.-B. Xu, "Clustering by scale-space filtering," Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 22, no. 12, pp. 1396-1410, 2000. [DOI:10.1109/34.895974]
6. [6] A. K. Jain, M. N. Murty, and P. J. Flynn, "Data clustering: a review," ACM computing surveys (CSUR), vol. 31, no. 3, pp. 264-323, 1999.
7. [7] J. Holland, "Adaption in natural and artificial systems," Ann Arbor MI: The University of Michigan Press, 1975.
8. [8] S. Z. Selim and K. Alsultan, "A simulated annealing algorithm for the clustering problem," Pattern recognition, vol. 24, no. 10, pp. 1003-1008, 1991. [DOI:10.1016/0031-3203(91)90097-O]
9. [9] V. Di Gesú, R. Giancarlo, G. L. Bosco, A. Raimondi, and D. Scaturro, "GenClust: A genetic algorithm for clustering gene expression data," BMC bioinformatics, vol. 6, no. 1, p. 289, 2005. [DOI:10.1186/1471-2105-6-289] [PMID] [PMCID]
10. [10] A. Beg, M. Z. Islam, and V. Estivill-Castro, "Genetic algorithm with healthy population and multiple streams sharing information for clustering," Knowledge-Based Systems, vol. 114, pp. 61-78, 2016. [DOI:10.1016/j.knosys.2016.09.030]
11. [11] D. Bajer, G. Martinović, and J. Brest, "A population initialization method for evolution-ary algorithms based on clustering and Cauchy deviates," Expert Systems with Applications, vol. 60, pp. 294-310, 2016. [DOI:10.1016/j.eswa.2016.05.009]
12. [12] J. de Andrade Silva, E. R. Hruschka, and J. Gama, "An evolutionary algorithm for cluster-ing data streams with a variable number of clusters," Expert Systems with Applications, vol. 67, pp. 228-238, 2017. [DOI:10.1016/j.eswa.2016.09.020]
13. [13] S. Alam, G. Dobbie, and S. U. Rehman, "Analysis of particle swarm optimization based hierarchical data clustering approach-es," Swarm and Evolutionary Computation, vol. 25, pp. 36-51, 2015. [DOI:10.1016/j.swevo.2015.10.003]
14. [14] Z. Halim, M. Waqas, and S. F. Hussain, "Clustering large probabilistic graphs using multi-population evolutionary algorithm," Information Sciences, vol. 317, pp. 78-95, 2015. [DOI:10.1016/j.ins.2015.04.043]
15. [15] M. G. Omran, A. Salman, and A. P. Engelbrecht, "Dynamic clustering using parti-cle swarm optimization with application in image segmentation," Pattern Analysis and Applications, vol. 8, no. 4, pp. 332-344, 2006. [DOI:10.1007/s10044-005-0015-5]
16. [16] S. Bandyopadhyay and U. Maulik, "Genetic clustering for automatic evolution of clusters and application to image classification," Patt-ern Recognition, vol. 35, no. 6, pp. 1197-1208, 2002. [DOI:10.1016/S0031-3203(01)00108-X]
17. [17] S. Das, A. Abraham, and A. Konar, "Automatic clustering using an improved differential evolution algorithm," Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, vol. 38, no. 1, pp. 218-237, 2008. [DOI:10.1109/TSMCA.2007.909595]
18. [18] S. Saha and S. Bandyopadhyay, "A generaliz-ed automatic clustering algorithm in a multiobjective framework," Applied Soft Computing, vol. 13, no. 1, pp. 89-108, 2013. [DOI:10.1016/j.asoc.2012.08.005]
19. [19] A. Konar, Computational intelligence: principles, techniques and applications. Sprin-ger Science & Business Media, 2006.
20. [20] P. Brucker, "On the complexity of clustering problems," in Optimization and operations research: Springer, 1978, pp. 45-54. [DOI:10.1007/978-3-642-95322-4_5]
21. [21] D. L. Davies and D. W. Bouldin, "A cluster separation measure," Pattern Analysis and Machine Intelligence, IEEE Transactions on, no. 2, pp. 224-227, 1979.
22. [22] C.-H. Chou, M.-C. Su, and E. Lai, "A new cluster validity measure and its application to image compression," Pattern Analysis and Applications, vol. 7, no. 2, pp. 205-220, 2004. [DOI:10.1007/s10044-004-0218-1]
23. [23] M. K. Pakhira, S. Bandyopadhyay, and U. Maulik, "Validity index for crisp and fuzzy clusters," Pattern recognition, vol. 37, no. 3, pp. 487-501, 2004. [DOI:10.1016/j.patcog.2003.06.005]
24. [24] E. Atashpaz-Gargari and C. Lucas, "Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competi-tion," in Evolutionary computation, 2007. CEC 2007. IEEE Congress on, 2007, pp. 4661-4667: IEEE. [DOI:10.1109/CEC.2007.4425083]