الگوریتم جست و جوی کلاغ پیشرفته برای خوشه بندی داده‌ها

نوع فایل : word

تعداد صفحات : 29

تعداد کلمات : 6000

مجله : EMITTER International Journal of Engineering Technology

انتشار : 2020

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
1 آوریل 2021
دسته بندی
تعداد بازدیدها
1604 بازدید
29,000 تومان

عنوان فارسی مقاله:الگوریتم جست و جوی کلاغ پیشرفته برای خوشه بندی داده‌ها

 چکیده  

هنگام جستجوی راه حل‌ها، الگوریتم‌های فراابتکاری اغلب در راه حل‌های محلی بهینه قرار می‌گیرند. این مسئله اغلب در موارد بهینه سازی شامل ابعاد بالا مانند خوشه بندی داده‌ها رخ می‌دهد. عدم تعادل در روند اکتشاف و بهره برداری دلیل این شرایط است زیرا عوامل جستجو قادر به دستیابی به بهترین راه حل در فضای جستجو نیستند. در این مطالعه، با اصلاح مکانیزم به روزرسانی راه حل، این مسئله برطرف می‌شود تا عامل جستجو نه تنها عامل جستجوگر دیگری را که به طور تصادفی انتخاب شده دنبال می‌کند، بلکه فرصت دارد تا بهترین عامل جستجو را دنبال کند. علاوه بر این، تعادل اکتشاف و بهره برداری نیز با مکانیزم به روزرسانی احتمال آگاهی هر عامل جستجو متناسب با توانایی‌های مربوطه در جستجوی راه حل‌ها افزایش می‌یابد. مکانیسم بهبود باعث می‌شود که الگوریتم پیشنهادی با زمان محاسبات کمتری نسبت به الگوریتم ژنتیک و بهینه سازی ازدحام ذرات، راه حل‌های بسیار خوبی بدست آورد. در مجموعه داده‌های بزرگ ثابت شده است که الگوریتم پیشنهادی قادر به ارائه بهترین راه حل در میان الگوریتم‌های دیگر است(الگوریتم جست و جوی کلاغ پیشرفته).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: An Improved Crow Search Algorithm for Data Clustering

Abstract

 Metaheuristic algorithms are often trapped in local optimum solutions when searching for solutions. This problem often occurs in optimization cases involving high dimensions such as data clustering. Imbalance of the exploration and exploitation process is the cause of this condition because search agents are not able to reach the best solution in the search space. In this study, the problem is overcome by modifying the solution update mechanism so that a search agent not only follows another randomly chosen search agent, but also has the opportunity to follow the best search agent. In addition, the balance of exploration and exploitation is also enhanced by the mechanism of updating the awareness probability of each search agent in accordance with their respective abilities in searching for solutions. The improve mechanism makes the proposed algorithm obtain pretty good solutions with smaller computational time compared to Genetic Algorithm and Particle Swarm Optimization. In large datasets, it is proven that the proposed algorithm is able to provide the best solution among the other algorithms.
دیدگاهتان را بنویسید