|
|
|
|
ارائه‌ی یک الگوریتم ترکیبی برای خوشه‌بندی داده‌ها با استفاده از الگوریتم‌های kmeans و الکترومغناطیس
|
|
|
|
|
|
|
|
نویسنده
|
مهدی‌زاده اسماعیل ,تیموری محمد ,زارع‌طلب آرش
|
|
منبع
|
مهندسي صنايع و مديريت شريف - 1396 - دوره : 33-1 - شماره : 1/1 - صفحه:13 -19
|
|
چکیده
|
خوشه‌بندی یکی از روش‌های پرکاربرد در بسیاری از زمینه‌های علمی است که در آن تلاش می‌شود داده‌ها داخل گروه‌ها براساس درجه‌ی شباهت قرار گیرند. الگوریتم‌های ابتکاری و فراابتکاری زیادی برای حل مسئله‌ی خوشه‌بندی ارائه شده است. یکی از روش‌های ابتکاری پرکاربرد، kmeans است. این روش، به‌دلیل وابستگی به حالت اولیه، معمولاً به بهینه‌یمحلی همگرا می‌شود. در این مقاله به‌منظور فرار از بهینه‌ی محلی، الگوریتم kmeans با الگوریتم فراابتکاری الکترومغناطیس ترکیب شده و الگوریتم جدیدی با عنوان الگوریتم kem برای حل مسئله‌ی خوشه‌بندی ارائه می‌شود. به‌منظور بررسی کارایی الگوریتم پیشنهادی، پنج مجموعه داده انتخاب و حل شده و نهایتاً جواب‌های حاصله با جواب‌های حاصل از الگوریتم‌های مطرح در ادبیات خوشه‌بندی مقایسه می‌شود. نتایج محاسباتینشان می‌دهد که الگوریتم پیشنهادی در دست‌یابی به جواب‌های مطلوب از کارایی مناسبی برخوردار است.
|
|
کلیدواژه
|
خوشه‌بندی، الگوریتم kmeans، الگوریتم الکترومغناطیس
|
|
آدرس
|
دانشگاه آزاد اسلامی واحد قزوین, دانشکده‌ی مهندسی صنایع و مکانیک, ایران, دانشگاه آزاد اسلامی واحد قزوین, دانشکده مهندسی صنایع و مکانیک, ایران, دانشگاه آزاد اسلامی واحد قزوین, دانشکده مهندسی صنایع و مکانیک, ایران
|
|
پست الکترونیکی
|
arash zaretalab@yahoo.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
PRESENTING A HYBRID ELECTROMAGNETISMLIKE MECHANISM AND KMEANS FOR DATA CLUSTERING
|
|
|
|
|
Authors
|
|
|
Abstract
|
Clustering is one of the useful methods in many scientific fields. It is a classification process for putting data in specific groups or clusters based on the similarities between them. In literature, many algorithms, such as heuristic and metaheuristic, have been successfully applied to solve clustering problems. Among them, the Kmeans is wellknown due to its simplicity and computational efficiency, although it suffers from several drawbacks due to its initial state and may be trapped in local optima. Electromagnetismlike Mechanism (EM) algorithm is a new populationbased metaheuristic to tackle complex optimization problems. It imitates the attraction repulsion of the electromagnetic theory that is based on Coulombs law for obtaining the optimal solution. Unlike some metaheuristic algorithms such as Genetic Algorithm (GA) and Tabu search (TS), in EM, each particle is influenced by all other particles within its population.In this paper, to skip the local optimum, the Kmeans method is combined with the Electromagnetismlike Mechanism (EM) algorithm, and a new algorithm, called KEM, is presented to solve clustering problems. In KEM, there are two main phases. In the first phase, KEM executes the Kmeans algorithm within the population size and tries to produce favorable centroids for desired clusters, which terminates when there is no change in centroid. In the second phase, the fitness value of each particle is computed and the particle that has the best fitness value is stored. Then, the particles are fed into the improved local search procedure. Then, the total force exerted on each particle is computed. In the move procedure, the particle position is moved according to the resultant force exerted on them. The search process of finding the best results continues until the stop criterion is met. In order to evaluate the performance of the proposed algorithm, five distinguished and standard datasets are chosen from the UCI Machine Learning repository. These datasets are solved and the results are compared with the results of those of Kmeans, GA, Simulated Annealing (SA), Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO), and EM. The results illustrate that the proposed KEM algorithm has good proficiency in obtaining desired results.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|