دانلود ترجمه مقاله خوشه بندی جدید داده ها بر مبنای الگوریتم اصلاح شده جستجوی گرانشی

1. مقدمه 2. مسئله خوشه بندی داده ها 3. الگوریتم جستجوی گرانشی 4. الگوریتم خوشه بندی مبتنی بر GSA 5. آزمایشات 6. نتیجه گیری

چکیده – خوشه بندی داده ها ابزار رایجی در آمار داده ها و بسیاری از فیلدها نظیر تشخیص الگو، داده کاوی، یادگیری ماشینی ، پردازش تصویر و بیوانفورماتیک است. هدف از خوشه بندی داده ها ایجاد مجموعه داده های بزرگ با تعداد کمی از نمونه اولیه خوشه هاست که موجب سادگی مدلسازی داده ها شده و نقشی محوری در کشف دانش و داده کاوی دارد. در این مقاله یک الگوریتم خوشه بندی جدید داده بر مبنای الگوریتم تغییریافته جستجوی گرانشی پیشنهاد شده که الگوریتم جستجوی گرانشی دسته پرندگان (BFGSA) نامیده می شود و مکانیزم جدیدی که از رفتار پاسخ جمعی پرندگان الهام گرفته را برای GSA معرفی میکند تا تنوع را به آن بیفزاید. این مکانیزم با سه گام اساسی که شامل شروع، تشخیص نزدیک ترین همسایه و تغییر جهت گیری است، افزایش تنوع خود را انجام می دهد. مقداردهی اولیه برای تولید جمعیت کاندید برای گام دوم است و تغییر جهت گیری موجب به روز شدن موقعیت اشیا بر مبنای نزدیک ترین همسایه می شود. BFGSA به خاطر مکانیزم پاسخ جمعی اش، محدوده وسیعی از فضای جستجو را بررسی کرده و از راه حل های غیربهینه دوری میکند. کارآیی الگوریتم پیشنهادی از طریق 13 مجموعه داده معیار واقعی از مخزن عمومی یادگیری ماشینی UCI ارزیابی شده است. عملکرد آن با GSA استاندارد، کلونی مورچه های مصنوعی (ABC) ، بهینه سازی ازدحام ذرات (PSO) ، الگوریتم کرم شب تاب (FA) ، k-وجهی و سایر الگوریتم های خوشه بندی بیان شده در مقالات مقایسه شده است. نتایج شبیه سازی نشان می دهد که BFGSA میتواند برای خوشه بندی داده ها استفاده شود.

Data clustering is a popular analysis tool for data statistics in many fields such as pattern recognition, data mining, machine learning, image analysis, and bioinformatics. The aim of data clustering is to represent large datasets by a fewer number of prototypes or clusters, which brings simplicity in modeling data and thus plays a central role in the process of knowledge discovery and data mining. In this paper, a novel data clustering algorithm based on modified Gravitational Search Algorithm is proposed, which is called Bird Flock Gravitational Search Algorithm (BFGSA). The BFGSA introduces a new mechanism into GSA to add diversity, a mechanism which is inspired by the collective response behavior of birds. This mechanism performs its diversity enhancement through three main steps including initialization, identification of the nearest neighbors, and orientation change. The initialization is to generate candidate populations for the second steps and the orientation change updates the position of objects based on the nearest neighbors. Due to the collective response mechanism, the BFGSA explores a wider range of the search space and thus escapes suboptimal solutions. The performance of the proposed algorithm is evaluated through 13 real benchmark datasets from the well-known UCI Machine Learning Repository. Its performance is compared with the standard GSA, the Artificial Bee Colony (ABC), the Particle Swarm Optimization (PSO), the Firefly Algorithm (FA), K-means, and other four clustering algorithms from the literature. The simulation results indicate that the BFGSA can effectively be used for data clustering.