ارائه الگوریتم خوشه‌بندی جدید به‌منظور بهره‌وری در عملیات داده‌کاوی (مطالعه داده‌های استاندارد یوسی‌آی)

محورهای موضوعی : مدیریت(تحقیق در عملیات)

ژیلا نصیری روشتی ¹ , فرزین مدرس خیابانی ² , نیما آذر میر شتربانی ³

1 - استادیارگروه ریاضی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز،ایران
2 - دانشیارگروه ریاضی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
3 - استادیارگروه ریاضی ، واحد تبریز، دانشگاه آزاد اسلامی، تبریز،ایران

تاریخ دریافت : 1398/11/30 تاریخ پذیرش : 1399/04/28 تاریخ انتشار : 1400/07/01

کلید واژه: بهره وری, خوشه بندی, داده کاوی, هوش جمعی,

چکیده مقاله :

روش‌های خوشه‌بندی و بهره‌وری آنها در عملیات داده‌کاوی توسعه زیادی یافته‌اند. نیاز مدیران به داده‌های دسته‌بندی‌شده و بهره‌وری روش‌های خوشه‌بندی در امر مدیریت و تصمیم‌گیری، به گسترش روش‌های داده‌کاوی ضرورت بخشیده است. الگوریتم بهینه‌سازی نهنگ روش عمومی است که در حل مسائل متعددی کاربرد دارد. در این الگوریتم جواب‌های آغازین به‌صورت تصادفی انتخاب می‌شوند. الگوریتم کی-میانگین یک روش خوشه‌بندی پرکاربرد است که به دلیل سادگی و کوتاه بودن مراحل، بسیار موردتوجه محققان قرار می‌گیرد. در این مقاله این مزیت الگوریتم کی- میانگین را برای افزایش توانایی الگوریتم بهینه‌سازی نهنگ در خوشه‌بندی داده‌ها به‌کاررفته است. الگوریتم پیشنهادی ترکیبی از الگوریتم‌های کی-میانگین و خوشه‌بندی نهنگ است. در این پژوهش الگوریتم جدید و چند الگوریتم خوشه‌بندی دیگر را بر روی مجموعه داده‌های واقعی و شناخته شده اجرا شده است. نتایج عددی نشان می‌دهد که الگوریتم جدید ازنظر کیفیت جواب‌ها و انحراف استاندارد مقادیر جواب‌های نهایی، نتایج مطلوبی نشان می‌دهد.

چکیده انگلیسی:

Methods of clustering in data mining have dramatically developed in recent years as a result of the crucial need to categorize data leading to the expansion of data mining techniques and enhanced productivity of clustering methods in management and decision making. Whale optimization algorithm is a new stochastic global optimization method employed to resolve various problems. We already presented a data clustering method based on Whale optimization algorithm in which the initial solutions are randomly selected. What has made K-mean algorithm a highly popular clustering approaches appealing to many researchers is the simplicity and brevity of the stages involved in the process. The present enquiry aimed at employing K-mean algorithm to improve the capability of Whale optimization clustering and proposing the hybrid KWOA algorithm which can find more accurate clusters. The computational results of running the newly proposed algorithm, along with some well-known clustering algorithms, on real data sets from a well-known machine learning repository underscored the promising performance of the proposed algorithm in terms of the quality and standard deviation of the final solutions. 

منابع و مأخذ:

Armando, G., & Farmani, M. R. (2014). Clustering analysis with combination of artificial bee colony algorithm and k-means technique. International Journal of Computer Theory and Engineering, (6)2, 141-145.

Sander, J. (2003). Coursteme homepage for principles of knowledge discovery in data. Available: http://www.cs.ualberta.ca/-joerg

Jain, A., Murty, M., & Flynn, P. (1999). Data clustering: a review. ACM Compute. (31)3, 264-323.

Rokach, L., & maimon, O. (2005). Clutering methods. Maimon, Data mining and Knowledg Discovery Handbooks, Springer, New York, 1-432.

Niknam, T., Amiri, B., Olamaie, J., & Arefi, A. (2009). An efficient hybrid evolutionary optimization algorithm based on PSO and SA for clustering. Journal of Zhejiang University Science, 10(4), 512-519.

Ahmadyfard, A., & Modaress, H. (2008). Combining PSO and K-means to enhance data clustering. In: International symposium on telecommunications, 688-691.

Sandeep, U. M., & Pankaj, G. G. (2014). Hybrid particle swarm optimization (HPSO) for data clustering. International Journal of Computer application, 97(19), 1-15.

Karthikeyan, S., & Christopher, T. (2014). A Hybrid Clustering approach using Artificial Bee Colony (ABC) and particle swarm optimization. International Journal of Computer Applications,100(15), 1-6.

Mirjalili, S., & Lewi, A. (2016). The whale optimization algorithm. Advances in Engineering Software, 95, 51-67.

Nasiri, J., & Khiyabani, F. M. (2018). A whale optimization algorithm (WOA) approach for clustering. Cogent Mathematics & Statistics, 5(1).

Babalik, A., Cevahir, C. A., & Servet, K. M. (2017). A modification of tree-seed algorithm using Deb’s rules for constrained optimization. Applications Soft Computing, 63(3), 289-305.

Kanungo, T., Mount, D.M., Netanyahu, N.S., Piatko, C.D., Silverman, R., & Wu, A.Y. (2002). An Efficient k-Means Clustering Algorithm: Analysis and Implementation. IEEE Transactions Pattern Analysis and Machine Intelligence, 24(7), 881-892.

Dua, D., & Graff, C. (2019). UCI Machine Learning Repository. http://archive.ics.uci.edu/ml/

Karaboga, D., & Ozturk, C. (2009). A novel clustering approach: artificial bee colony (ABC) algorithm. Applications Soft Computing, 11(1), 652–657.

Van der Merve, D.W., & Engelhrecht, A.P. (2003). Data clustering using particle swarm optimization. Conference of evolutionary computation CEC’03, 215-220.

Mualik, U., & Bandyopadhyay, S. (2002). Genetic algorithm-based clustering technique. Pattern Recognition, 33, 1455-1465.