فایل ورد کامل خوشه‌بندی پویا با الگوریتم کلونی زنبور عسل مصنوعی بهبودیافته

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 خوشه‌بندی پویا با الگوریتم کلونی زنبور عسل مصنوعی بهبودیافته،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۶ صفحه

یکی از معروف‌ترین نسخه‌های دودویی (گسسته ی) الگوریتم کلونی زنبور عسل مصنوعی عبارتست از کلونی زنبور عسال مصنوعی مبتنی بر اندازه‌گیری شباهت، که برای اولین بار برای مسئله‌ی مکان‌یابی مراکزی با ظرفیت سرویس نامحدود (UFLP) پیشنهاد شد. این کلونی زنبور عسل مصنوعی گسسته بطور ساده به اندازه‌گیری شباهت بین بردارهای دودویی از طریق ضریب (تشابه) جاکارد، بستگی دارد. اگرچه مکانیزم اعمال شده برای تولید راه‌حل‌های جدید در رابطه با اطلاعات تشابه بین راه‌حل‌ها، به عنوان یک نسخه‌ی دودویی ساده، جدید و کارآ از کلونی زنبور عسل مصنوعی چذیرفته شده است، ولی آن فقط یک مورد شباهت را مدّنظر قرار می‌دهد؛ یعنی، همه‌ی حالت‌های شباهت را درنظر نمی‌گیرد. برای پوشش این مسئله، مکانیزم تولید راه‌حل جدید مربوط به کلونی زنبور عسل مصنوعی با استفاده از حالت‌های شباهت و از طریق اجزای الهام گرفته شده از ژنتیک، بهبود یافته است. علاوه بر این، مزیت الگوریتم پیشنهادی با مقایسه‌ی آن با کلونی زنبور عسل مصنوعی پایه‌ای، بهینه‌سازی ازدحام ذرات دودویی، و الگوریتم ژنتیک در خوشه‌بندی پویا (خودکار) اثبات می‌شود که در این نوع خوشه‌بندی تعداد خوشه‌ها بصورت خودکار تعیین می‌شود، یعنی برخلاف تکنیک‌های کلاسیک، نیازی نیست که این تعداد را در همان ابتدای کار مشخص کرد. نه تنها الگوریتم‌های مبتنی بر محاسبات تکاملی، بلکه رویکردهای کلاسیک مانند C-means فازی و K-means نیز برای اثبات اثربخشی رویکرد پیشنهادی در خوشه‌بندی، مورد استفاده قرار می‌گیرند. نتایج بدست آمده حاکی از این هستند که کلونی زنبور عسل مصنوعی گسسته با عنصر تولید‌کننده‌ی راه‌حل بهبودیافته قادر به دستیابی به راه‌حل‌هایی معتبرتر از دیگر الگوریتم‌ها در خوشه‌بندی پویا می‌باشد، در حالیکه این مسئله توسط محققان به عنوان یکی از سخت‌ترین مسائل NP-hard به شدت مورد پذیرش قرار گرفته است.

کلمات کلیدی: آنالیز خوشه ای | خوشه بندی خودکار | بهینه سازی گسسته | الگوریتم کلونی زنبور عسل مصنوعی دودویی

عنوان انگلیسی:

Dynamic clustering with improved binary artificial bee colony algorithm

~~en~~ writers :

Celal Ozturk , Emrah Hancer, Dervis Karaboga

One of the most well-known binary (discrete) versions of the artificial bee colony algorithm is the similarity measure based discrete artificial bee colony, which was first proposed to deal with the uncapacited
facility location (UFLP) problem. The discrete artificial bee colony simply depends on measuring the similarity between the binary vectors through Jaccard coefficient. Although it is accepted as one of the simple,
novel and efficient binary variant of the artificial bee colony, the applied mechanism for generating new
solutions concerning to the information of similarity between the solutions only consider one similarity
case i.e. it does not handle all similarity cases. To cover this issue, new solution generation mechanism
of the discrete artificial bee colony is enhanced using all similarity cases through the genetically inspired
components. Furthermore, the superiority of the proposed algorithm is demonstrated by comparing it
with the basic discrete artificial bee colony, binary particle swarm optimization, genetic algorithm in
dynamic (automatic) clustering, in which the number of clusters is determined automatically i.e. it does
not need to be specified in contrast to the classical techniques. Not only evolutionary computation based
algorithms, but also classical approaches such as fuzzy C-means and K-means are employed to put forward the effectiveness of the proposed approach in clustering. The obtained results indicate that the
discrete artificial bee colony with the enhanced solution generator component is able to reach more
valuable solutions than the other algorithms in dynamic clustering, which is strongly accepted as one of
the most difficult NP-hard problem by researchers.

Keywords: Cluster analysis | Automatic clustering | Discrete optimization | Binary artificial bee colony algorithm

$$en!!