دانلود ترجمه مقاله دسته بندی دینامیک از طریق الگوریتم کلونی زنبور عسل مصنوعی

1. مقدمه 2. الگوریتم کلونی زنبور عسل مصنوعی 3. الگوریتم کلونی زنبور عسل مصنوعی باینری بهبود یافته (IDisABC) 4. مساله خوشه بندی 5. نتایج آزمایشی 6. نتیجه گیری

مقدمه: با پیشرفت سریع سخت افزار و نرم افزار کامپیوتری، مجموعه داده هایی با ظرفیت های بزرگ را می توان بدون تلاش زیاد، ذخیره نمود. اما، این مجموعه داده ها را نمی توان بدون پیش پردازش استفاده یا مشخص کرد. یکی از زمینه های میان رشته ای در علوم کامپیوتر، یعنی داده کاوی، با اساس تلاش برای استخراج داده های معنادار و خلاصه کردن آنها و تبدیلشان به اطلاعات مفید از طریق خوشه بندی، استخراج ویژگی، آزمون های آماری و غیره، کار می کند [1]. در این مطالعه، هدف اصلی تمرکز بر خوشه بندی است که یکی از جالب ترین موضوعات برای پژوهشگران می باشد و در بسیاری از کاربردهای واقعی، مانند بیوانفورماتیک، یادگیری ماشین، تحلیل تصویر و تشخیص الگو و تحلیل بازاری استفاده می شود. در کار خوشه بندی، هدف اصلی، تقسیم داده ها به گروه ها یا خوشه هایی بر اساس تعدادی معیار تشابه مانند فاصله، بازه درون داده های چند بعدی، می باشد [2]. از طریق خوشه بندی، اطلاعات ارزشمندی را می توان از مقادیر هنگفتی از داده ها، استخراج نمود. الگوریتم های خوشه بندی به دو دسته اصلی تقسیم می شوند: الگوریتم های سلسله مراتبی و الگوریتم های افراز کننده. الگوریتم های سلسله مراتبی، براساس استفاده از ماتریس نزدیکی که نشان دهنده تشابه بین هر جفت نقاط داده جهت خوشه بندی است می باشد و نتیجه آن «دندوگرام نشان دهنده گروه بندی آشیانه ای الگوها می باشد و سطوح تشابه که در آن سطوح گروه بندی ها تغییر می کنند و سطوح، از طریق رویکردهای از پایین به بالا یا بالا به پایین ایجاد می شوند [2]». در الگوریتم های سلسله مراتبی تجمعی (پایین به بالا)، هر عضو از داده ها به یک خوشه منحصربفرد نسبت داده می شود، سپس دو خوشه به صورت مکرر، طبق ماتریس نزدیکی پیدا می شوند و در نهایت با هم ادغام می شوند. الگوریتم سلسله مراتبی تجمعی پایه، این مراحل را دارد [3]: ابتدا، ساختن یک ماتریس تشابه که تفاضل بین هر جفت داده ها را نشان می دهد. پس از آن، مقدار دهی K=N که N تعداد داده ها می باشد و K تعداد خوشه ها. سپس، پیدا کردن نزدیکترین جفت از خوشه های متمایز به صورت تکرار شونده، ادغام این خوشه ها و افزایش مقدار K به اندازه 1 ، تا وقتی که K>1 باشد. فرآیند ادغام خوشه ها را می توان بوسیله روش های مختلف بکار گرفت، اما معروف ترین آنها، لینک منفرد و لینک کامل می باشند. الگوریتم های لینک منفرد با ادغام دو گروه که کمترین فاصله بین نزدیکترین اعضایشان را دارند، کار می کنند. برعکس، الگوریتم های لینک کامل با ادغام گروه هایی که کمترین فاصله بین دورترین اعضایشان دارند، کار می کنند.

Introduction: With the rapid development of computer hardware and soft-ware, datasets with great capacities can be stored without more effort. However, these datasets cannot be used or specified by users without of any pre-process. One of the new interdisciplinary fields of computer science, data mining concerns with datasets by basically trying to extract meaningful data and summarizing it into useful information through clustering, feature extraction, statistical tests, etc. [1]. In this study, general motivation just focuses on clustering, which is one of the most appreciated subjects by the researchers and is used in many real-world applications such as bioinformatics, machine learning, image analysis, and pattern recognition and market analysis. In clustering, the main goal is to divide data into groups or clusters based on some similarity measures like distance, intervals within multidimensional data [2]. Through clustering, valuable information can be extracted from enormous quantities of data. Clustering algorithms fall into two main categories, hierarchical and partitional algorithms. Hierarchical algorithms are based on the use of proximity matrix indicating the similarity between every pair of data points to be clustered and its result is "dendrogram representing the nested grouping of patterns and similarity levels at which groupings change and levels are created through bottom up or bottom down approaches [2]". In agglomerative (bottom up) hierarchical algorithms, each data member is assigned to a unique cluster, then two clusters are found repeatedly according to the proximity matrix and finally they are merged. The basic agglomerative hierarchical algorithm has the following steps [3]: firstly, construct a similarity matrix which shows the difference between each pair of data. After that, assign K=N where N is the number of data and K is the number of clusters. Then repeatedly find the nearest pair of distinct clusters, merge these clusters and decrement K, 1 by 1 while K> 1. The process of merging clusters can be applied by different ways, but the well-known are single link and complete link. Single link algorithms are based on merging two groups which have the smallest distance between their closest members. In contrast, complete link algorithms are based on merging groups which have the smallest distance between their most distant members.