یک الگوریتم K-Means بهبود یافته که با الگوریتم بهینه سازی گروهی ذرات بی نظم (پرآشوب) ترکیب شده است

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک الگوریتم K-Means بهبود یافته که با الگوریتم بهینه سازی گروهی ذرات بی نظم (پرآشوب) ترکیب شده است

عنوان لاتین

An Improved K-Means Algorithm Combined with Chaotic Particle Swarm Optimization Algorithm

در این مقاله یک الگوریتم خوشه بندی که بهینه سازی گروهی ذرات پرآشوب (CPSO) را با K-Means (CPSO-KM) ترکیب می کند، ارائه شده است. این الگوریتم بهره روی جستجوی بهتری نسبت به K-Means، PSO و CPSO ارائه می کند. الگوریتم K-Means نمی تواند همگرایی به بهینه سراسری را تضمین کند و به دلیل حساسیت به مراکز خوشه اولیه در مراکز خوشه بهینه محلی گیر می افتد. CPSO می تواند راه حل بهینه سراسری را بیابد؛ در این میان، K-Means می تواند بهینه محلی را بدست آورد. الگوریتم CPSO-KM از قابلیت جستجوی سراسری CPSO و قابلیت جستجوی محلی K-Means استفاده می کند. الگوریتم CPSO-KM بر سه مجموعه داده ترکیبی و 4 مجموعه داده کلاسیک از UCI تست شده است. نتایج آزمایشی بهره وری بهتری از CPSO-KM در مقایسه با K-Means، PSO و CPSO ارائه می کنند.

A clustering algorithm combining Chaotic Particle Swarm Optimization (CPSO) with K-Means (CPSO- KM) is proposed. It features better search e±ciency than K-Means, PSO and CPSO. The K-Means algorithm cannot guarantee convergence to global optima and su®er in local optimal clusters centers because it is sensitive to initial clusters centers. CPSO can ¯nd global optimal solution; meanwhile K-Means can achieve local optima. The CPSO-KM algorithm utilizes both the global search capability of CPSO and the local search capability of K-Means. CPSO-KM algorithm has been tested with three synthetic data sets and four classical data sets from UCI. Experimental results show better performance of the CPSO-KM as compared to K-Means, PSO and CPSO.