فایل ورد کامل مسئله موقعیت مرکز سطحی: یک رویکرد خوشه‌بندی احتمالی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل مسئله موقعیت مرکز سطحی: یک رویکرد خوشه‌بندی احتمالی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

نتیجه گیری
مسئله موقعیت مرکز دو وجهی همراه با تخصیص های متعدد دارای یک تابع هدف غیر برجسته و غیر قابل تشخیص است. الگوریتم خوشه بندی احتمالی ارائه شده در این جا، رویکردی را برای حل این مسئله دشوار ارائه می دهد. این الگوریتم ساده بوده و چند تکرار ارزان نیاز دارد. آزمایش های عددی نشان می دهند که این روش به حل موارد بزرگ مسئله در زمان معقول کمک می کند. این الگوریتم از الگوریتم خوشه بندی احتمالاتی به دست آمده و به موقعیت های اولیه مراکز بستگی دارد، که کیفیت راه حل نهایی را تحت تاثیر قرار می دهد. از آنجا که مسئله موقعیت مرکز دو وجهی به طور گسترده مورد مطالعه قرار نگرفته است، از نظر ما، هیچ مجموعه داده معیاری در ادبیات وجود ندارد. نتایج آزمایش های عددی ما در مورد مجموعه داده های شبیه سازی شده و مقایسه با سایر الگوریتم ها در سایر مطالعات گزارش شده اند.

عنوان انگلیسی:The planar hub location problem: a probabilistic clustering approach~~en~~

۱۰ Conclusion

The planar hub location problem with multiple assignments has a non-convex and nondifferentiable objective function. The probabilistic clustering algorithm presented here proposes an approach for solving such a difficult problem. The algorithm is simple and requires a small number of cheap iterations. The numerical experiments show that the method can solve large instances of the problem in reasonable time. The algorithm stems from a probabilistic clustering algorithm and it has a dependency on the initial locations of the hubs, which affects the quality of the final solution. Since the planar hub location problem has not been studied extensively, as of our knowledge, there is no benchmark dataset in the literature. Results of our numerical experiments on simulated datasets and comparisons with other algorithms will be reported elsewhere.

$$en!!