بهبود الگوریتم خوشه بندی مورچه ای مستندات بر پایه تغییر مدل رفتاری حرکت مورچه ها

سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,164

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NEEC02_076

تاریخ نمایه سازی: 7 بهمن 1388

چکیده مقاله:

اخیرا، خوشه بندی مستندات بر پایه الگوریتم بهینه سازی کلونی مورچه ها توچه زیادی از محققان در سطح دنیا را به خود جلب کرده است. در این مقاله ما قصد داریم با تغییر در مدل رفتاری حرکت مورچه ها الگوریتم خوشه بندی مورچه ای استاندارد را راتقاء دهیم. حرکت مورچه ها در الگوریتم خوشه بندی استاندارد کاملاً تصادفی است. ما از یک طرف با هدفمند کردن حرکت مورچه ها کارآیی الگوریتم را بهبود می بخشیم و از طرف دیگر با تغییر قواعد حرکت مورچه ها شرایطی را فراهم می کنیم که همواره مورچه حامل به سمت مکانی حرکت کند که شدت شباهت عناصر آن مکان به عنصر حمل شده بیشتر باشد و مورچه غیر حامل به سمت مکانی حرکت کند که در آن مکان یک عنصر توسط عناصر غیر متشابه احاطه شده باشد ما الگوریتم پیشنهادی را بر روی مجموعه ای از مستندات استخراج شده از بانک اطلاعات رویتر 21578 آزمایش کرده ایم. نتایج کار نشان داده است که الگوریتم پیشنهادی بطور متوسط از عملکرد بهتری نسبت به الگوریتم خوشه بندی مورچه استاندارد و الگوریتم K-means برخوردار است.

کلیدواژه ها:

الگور یتم بهینه سازی کلونی مورچه ها ، خوشه بندی مورچه ای ، خوشه بندی مستندات ، قواعد حرکت مورچه ها

نویسندگان

بابک افتخاری

گروه کامپیوتر- دانشگاه آزاد اسلامی واحد ماهشهر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Berry, M. (ed.) (2003). Survey of Text Mining: Clustering, Classification, ...
  • Bonabeau, E., Dorigo, M. & Theraulaz, G. (1999). Swarm Intelligence: ...
  • Chen, L., Xu, X. & Chen, Y. (2004). An adaptive ...
  • Chiou, Y-C. & Lan, L.W. (2000). Genetic clustering algorithms. European ...
  • Deneubourg, J.L., Goss, S., Franks, N., ...
  • S endova -Franks , A., Detrain, C. & Chetien, L. ...
  • In: Proceedings of the 1st International Conference On Simulation of ...
  • Handl, J., Knowles, J. & Dorigo, M. (2003). On the ...
  • Conference on Hybrid Intelligent Systems. pp. 204-213, IOS Press ...
  • Handl, J. & Meyer, B. (2002). Improved ant- based clustering ...
  • Labroche, N. Monmarche, N. & Venturini, G. (2002). A new ...
  • Lewis, D. (2006). Reuters-2157 text ...
  • categorization test collection Available vi. http : //www. daviddlewis _ ...
  • Lumer, E. & Faieta, B. (1994). Diversity and adaption in ...
  • Megaputer Intelligence Inc. (2006). Online introduction o TextAnalys tTM _ ...
  • PAPER ID: N E E C20 10-F-024 ...
  • _ _ _ _ m/roducts_, Cited Nov. 12, 2006 ...
  • Ramos, V. & Abraham, A. (2005). ANTIDS: self organized ant ...
  • Sebastiani, F. (2002). Machine learning in automated text categorization. ACM ...
  • PAPER ID: N E E C20 10-F-024 ...
  • نمایش کامل مراجع