593

Master of Science Degree in Compuer Engineering (Software) Department of Computer Engineering an​d Information Technology

كارشناسي ارشد

كامپيوتر

تهران شمال

1396

96/4/3

18/5

113ص.

فراحي،احمد

105-101ص.

Data Mining , Clustering , K-Means Algorithm

داده‌كاوي فرآيند كاوش و تحليل يك مجموعه داده بزرگ به‌منظور كشف دانش نهفته در آن مي باشد. خوشه بندي را مي‌تواند يكي از مهمترين موضوعات در حوزه داده كاوي دانست كه با توجه به ويژگي هاي موجود درداده هابه بخش بندي آن‌هامي پردازد. الگوريتم خوشه بندي K-Means به دليل دارا بودن مزايايي جهت كاربرد يكي از معروف ترين و پراستفاده ترين الگوريتم ها در حوزه خوشه بندي است.اين الگوريتم علي رغم داشتن مزاياي بسيار، با چالش هايي نيز روبروست. ما در اين پژوهش بر آنيم تا با برطرف نمودن تعدادي از چالش¬هاي موجود به‌وسيله تركيب الگوريتم K-Means با الگوريتم فرا مكاشفه‌اي گرده‌افشاني گل؛ كه از مجموعه الگوريتم هاي بهينه‌سازي فرا مكاشفه‌اي مي¬باشد، الگوريتم تركيبي بهينه¬اي جهت استفاده ارائه دهيم. الگوريتم تركيبي ارائه‌شدهKFFPA نام دارد.مراحل الگوريتم KFFPAعبارت‌اند از: 1) ايجاد جمعيت اوليه تصادفي 2) بهينه‌سازي جمعيت اوليه تصادفي به‌وسيله الگوريتمK-Means 3)خوشه بندي به‌وسيله الگوريتم گرده‌افشاني گل و K-Means 4) يافتن بهترين راه‌حل از ميان راه‌حل هاي بدست آمده در الگوريتم پيشنهادي از الگوريتم K-Means جهت بهينه نمودن جمعيت تصادفي اوليه ساخته‌شده استفاده گرديده كه از نوآوري¬هاي اين الگوريتم مي¬باشد. همچنين در مقداردهي پارامتر احتمال ميان دو گام سراسري و محلي در قسمت الگوريتم گرده‌افشاني گل از منطق فازي بهره گرفته¬ايم كه در نمونه ديگري تابه‌حالانجام‌نشده است. جهت ارزيابي الگوريتم پيشنهادي از پنج مجموعه داده مختلف استفاده‌شده است. نتايج بدست آمده در مقايسه با الگوريتم هاي K-Means و گرده‌افشاني گل مورد ارزيابي قرارگرفته و نشان مي دهد الگوريتم پيشنهادي از دقت و كارايي بيشتري برخوردار بوده و در اكثر موارد نتايج بهينه تري ايجاد مي نمايد.

43131