بهبود استخراج قوانین وابستگی در داده کاوی با استفاده از بهبود الگوریتم بهینه سازی گروه ذرات دو مرحله ای

امروزه به دلیل حجم داده ها و نیاز بشر به دانش پنهان در آنها استفاده از روشهای کارامد امری ضروری می باشد داده کاوی فرایندی است که ما را در کشف چنین دانشی یاری می دهد که مجموعه ای از تکنیکها را فراهم می اورد تمرکز ما دراین مقاله برروی تکنیک استخراج قوانین وابستگی می باشد که در زمینه های متنوع بکار رفته است الگوریتم های متنوعی دراین حیطه ارائه شده اند که از جنبه های مختلف مانند کیفیت نتایج و زمان اجرا متفاوت عمل می کنند. یکی از الگوریتمهای تکاملی الگوریتم بهینه سازی گروه ذرات می باشد که در زمینه های مختلف همچون کاوش قوانین وابستگی به کار رفته است لذا دراین مقاله به ارائه یک روش مبنی بر الگوریتم بهینه سازی گروه ذرات دو مرحله ای به بهبود استخراج قوانین وابستگی پرداخته ایم. این الگوریتم براساس هوش جمعی می باشد که با استفاده از دو مرحله تحرک و همگرایی جمعیت ذرات را از نواحی نامناسب به سمت نواحی مناسب مهاجرت می دهد در نتیجه گامهای حرکتی در خلاف جهت بدترین نقاط باعث می شود جمعیت در حالت سکون و نیز اکسترمم های محلی قرار نگیرد و جوابهای بهینه سراسری در اینجا یعنی مجموعه قوانین کشف شود.

کلیدواژه ها:

قوانین وابستگی ، الگوریتمهای تکاملی ، الگوریتم بهینه سازی گروه ذرات دو مرحله ای