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

مدیریت بهره‌وری

دوره 15، 3(58)پاییز، مهر 1400، صفحه 145-161   

نوع مقاله: علمی پژوهشی

شناسه دیجیتال (DOI): 10.30495/qjopm.2020.1867405.2443

نویسندگان

ژیلا نصیری روشتی¹؛ فرزین مدرس خیابانی^{* 2}؛ نیما آذر میر شتربانی³

¹استادیارگروه ریاضی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز،ایران

²دانشیارگروه ریاضی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

³استادیارگروه ریاضی ، واحد تبریز، دانشگاه آزاد اسلامی، تبریز،ایران

چکیده

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.

کلیدواژه‌ها

بهره وری؛ خوشه بندی؛ داده کاوی؛ هوش جمعی

مراجع

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.