شبیه سازی آموزشی مقاله بهینه سازی PSO پرآشوب برای خوشه بندی داده ها با متلب

توضیحات

شبیه سازی مقاله بهینه سازی PSO پرآشوب برای خوشه بندی داده ها با متلب

چکیده مقاله:

خوشه بندی داده ها یک ابزار تجزیه و تحلیل محبوب برای آمار داده ها در زمینه های مختلف است، از جمله شامل تشخیص الگو، داده کاوی، یادگیری ماشین، تجزیه و تحلیل تصویر و بیوانفورماتیک، که در آن اطلاعات مورد بررسی می تواند از هر توزیع در اندازه و شکل باشد. خوشه بندی به عنوان یک روش برای شناخت ساختار و تفکیک رابطه پیچیده بین مقادیر عظیم داده موثر است. یک تکنیک بهبود یافته که ترکیبی از بهینه سازی چرخش ذرات نقشه با یک استراتژی شتاب را پیشنهاد می کند، از آنجا که نتایج یکی از بیشتر الگوریتم خوشه بندی استفاده می شود، K-means می تواند با انتخاب های نامناسب ساخته شده در مرحله اولیه تنظیم شود. بهینه سازی ذرات هرج و مرج شتابزده (ACPSO) از طریق مجموعه داده های دلخواه برای مراکز خوشه ای مناسب جستجو می شود و می تواند به طور موثر و کارآمد راه حل های بهتر را پیدا کند. مقایسه عملکرد خوشه ای از آزمایشات انجام شده در شش مجموعه داده های تجربی بدست می آید. الگوریتم در مقایسه با ACPSO شامل PSO، CPSO، K-PSO، NM-PSO، K-NM-PSO و K-means clustering است. نتایج عملکرد قوی ACPSO نشان می دهد که این روش جایگزین ایده آل برای حل مسئله خوشه بندی داده ها است.

الگوریتم بهینه سازی توده ای ذرات (PSO)

الگوریتم PSO یکی از روش­های بهینه­ سازی تکاملی است که البته با سایر روش­های تکاملی از جمله الگوریتم ژنتیک در چند مورد متفاوت می­باشد؛ در الگوریتم PSO عملگرهای crossover و mutation وجود ندارد و اعضای الگوریتم تا آخر اجرای این الگوریتم باقی مانده و نابود نمی­شوند. هر عضو در ابتدای مسئله با مقادیر تصادفی برای مکان (p_i) و سرعت (v_i) در یک فضای جستجوی n بعدی مقداردهی می شود؛ به طوری که p_ij نشان دهنده ی مکان عضو iام در بعد jام از فضای مسئله است. در ادامه ­ی الگوریتم، عضوها به گونه­ای حرکت می کنند که به سمت عضو با بهترین جواب و نتایج متمایل می شوند.

الگوریتم بهینه سازی توده ای ذرات پرآشوب (CPSO)

در زمینه مهندسی، به درستی تشخیص داده شده که تئوری آشوب میتواند یک تکنیک مفید در کاربردهای عملی باشد. سیستم آشوب میتواند به عنوان یک پدیده تعریف شود که در آن تغییرات کوچک در شرایط اولیه باعث تغییرات غیرخطی در رفتار آینده میشود.

الگوریتم بهینه سازی توده ای ذرات پرآشوب شتابی (ACPSO)

برای افزایش توزیع ذرات، در این مقاله از یک روش آشوب استفاده شده که به PSO اجازه دهد تا بهینه سراسری را پیدا کند. همچنین برای افزایش سرعت همگرایی PSO از یک استراتژی شتاب دهنده در این الگوریتم استفاده شده است که به آن ACPSO گفته میشود. استراتژی شتاب دهنده بسیار شبیه الگوریتم K-means میباشد اما به طور کامل الگوریتم K-means را پیاده سازی نمیکند. این استراتژی روی قسمت محاسباتی خوشه ذرات تمرکز دارد. روند کار به این صورت است که برای هر خوشه میانگین مرکز محاسبه میشود. با این کار جمع میزان فاصله درون خوشه ای کاهش می یابد و بنابراین سرعت همگرایی الگوریتم CPSO افزایش می یابد.

در الگوریتم ارائه شده نیز همانند سایر الگوریتم های تکاملی، یکی از مهمترین بخشها، کدگذاری جوابها میباشد. در این الگوریتم هر عضو (جواب) شامل مرکز خوشه هایی است که نشان دهنده یک جواب ممکن برای مساله خوشه بندی است. ابعاد هر عضو برابر حاصلضرب ابعاد بردار داده در تعداد خوشه ها میباشد.

شبیه سازی مقاله بهینه سازی PSO پرآشوب برای خوشه بندی داده ها با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.

• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.