بهبود خوشه بندی با استفاده از الگوریتم ژنتیک با درنظر گرفتن نرخ عملگر جهش

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 554

متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

INCEE02_100

تاریخ نمایه سازی: 19 تیر 1394

چکیده مقاله:

خوشه بندی از ابزارهای متداول داده کاوی بوده که به استخراج خوشه های با حداکثر شباهت بین عناصر داخل دسته و حداقل شباهت با عناصر سایر دسته ها می پردازد. الگوریتم K-MEANS یکی از مشهورترین الگوریتم ها برای خوشه بندی می باشد. اما مشکلاتی از قبیل حساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی از قدرت آن می کاهد. ما در این مقاله با استفاده از یک الگوریتم ژنتیک سعی بر آن داریم که خوشه بندی را به بهترین نحو انجام دهیم و نشان می دهیم که نقاط بهینه محلی زیاد هستند در نتیجه نرخ جهش را تغییر دهیم و در نهایت به این نتیجه می رسیم که اگر نرخ جهش بالا باشد می توان بهتر خوشه بندی انجام داد.

کلیدواژه ها:

خوشه بندیف الگوریتم زنتیک ، نرخ جهش ، الگوریتم

نویسندگان

سارا سراوانی

دانشجوی دانشگاه میرداماد گرگان

علی اکبر تجری

دانشجوی دکتری دانشگاه تبریز