بهبود الگوریتم مبتنی بر جمعیت سیاه چاله با استفاده از اتوماتای یادگیر

تکنیک سیاهچاله یکی از جدیدترین تکنیک های برگرفته از طبیعت می باشد که نتایج بهتری نسبت به سایر الگوریتم های تکاملی بدست آورده است اما همچنان مشکل همگرایی به بهینه های محلی در آن وجود دارد. این مقاله یک الگوریتم جدید ترکیبی برای حل مشکل بهینه های محلی ارائه می نماید. الگوریتم پیشنهادی، ترکیبی از الگوریتم تکاملی سیاهچاله و اتوماتای یادگیر است که با عنوان BH-LA ارائه شده است. در الگوریتم پیشنهادی اتوماتای یادگیر با استفاده از بازخورد دریافتی از محیط جهت حرکت جمعیت الگوریتم سیاهچاله را کنترل می نماید. این الگوریتم ترکیبی با کارایی بالاتر از هر دو الگوریتم ذکر شده توانایی افراز خوشه ها را دارا می باشد. کارایی الگوریتم ارائه شده توسط چندین مجموعه داده واقعی ارزیابی شده است. نتایج آزمایش های انجام شده بر روی مجموعه داده های استاندارد نشان می دهند که کارایی الگوریتم ارائه شده از نظر دقت خوشه بندی بهتر از سایر الگوریتم ها نظیر Pso، Black hole، K-means می باشد.

کلیدواژه ها:

، Learning Automata ، Black hole ، data clustering ، Nature-inapired algorithm