خوشهبندی خودکار دادههای مختلط با استفاده از الگوریتم ژنتیک
Authors
Abstract:
In the real world clustering problems, it is often encountered to perform cluster analysis on data sets with mixed numeric and categorical values. However, most existing clustering algorithms are only efficient for the numeric data rather than the mixed data set. In addition, traditional methods, for example, the K-means algorithm, usually ask the user to provide the number of clusters. In this paper, we propose a new method to cluster mixed data and automatically evolve the number of clusters as well as clustering of data set. In the proposed method, Davies-Bouldin Index is used as fitness function and we use the genetic algorithm to optimize fitness function. Also, we use a more accurate distance measure for calculating the distance between categorical values. The performance of this algorithm has been studied on real world and simulated data sets. Comparisons with other clustering algorithms illustrate the effectiveness of this approach.
similar resources
خوشه بندی خودکار داده های مختلط با استفاده از الگوریتم ژنتیک
مساله خوشه بندی به منظور کمینه کردن مجموع مجذور انحراف، یک مساله غیر خطی و غیر محدب بوده و دارای تعداد زیادی نقاط بهینه محلی است. در مسائل خوشهبندی در دنیای واقعی، اغلب با مجموعه دادههایی مواجهیم که از ترکیبی از مقادیر عددی و دستهای تشکیل شدهاند. در حالیکه اغلب روشهای خوشهبندی موجود تنها بر روی دادههای عددی از کارایی مناسبی برخوردارند و قابلیت استفاده بر روی دادههای مختلط را ندارند. از س...
full textواسنجی خودکار دو مدل بارش- رواناب تانک و SIMHYD با استفاده از الگوریتم ژنتیک
شبیهسازی روابط بارش- رواناب کانون اصلی توجه تحقیقات هیدرولوژی در دهههای گذشته بوده و مدلهای زیادی برای این منظور پیشنهاد شده است. انتخاب مدل به هدف از مدلسازی و اطلاعات در دسترس بستگی دارد. در این مطالعه، عملکرد نسبی دو مدل یکپارچه و مفهومی تانک[1] و SIMHYD مقایسه شد. در هر دو مدل ذکرشده محدودة تغییرات پارامترها زیاد است؛ در نتیجه، استفاده از روش سعی و خطا برای بهینهسازی پارامترها مشکل...
full textبرآورد خودکار مشخصات حوضه با استفاده از خصوصیات هیدروگراف مشاهدهای، HEC-HMS، الگوریتم ژنتیک و AutoIt
مهمترین هدف در واسنجی مدلهای مفهومی بارندگی-رواناب (CRR) پیدا کردن مقادیر بهینه برای مدل میباشد که با استفاده از آن بتوان بهترین منحنی را برای هیدروگرافهای مشاهده شده و محاسبه شده برازش داد. با وجود عمومیت این مدلها، در صورتی که نتوان یک مقدار بهینه منحصر به فرد برای پارامترهای آن با استفاده از واسنجی خودکار به دست آورد، کاربرد آن مدلها بسیار مشکل خواهد بود. همچنین استفاده از هیدروگراف...
full textطراحی جدول زمانبندی خودکار برای دروس دانشگاهی با استفاده از الگوریتم های ژنتیک
طراحی جدول زمانبندی، اساساً از وظایف پیچیده و وقت گیر برای پرسنل مسئول میباشد که از طرفی انجام خودکار آن گامی در جهت کاهش بار کاری پرسنل و از سوی دیگر یک نمونه مطلوب برای امتحان روشهای برنامهریزی و ارضای محدودیتها در هوش مصنوعی است. در این پژوهش، ابتدا الگوریتمهای ژنتیک مطالعه و بررسی شده، سپس در مسأله بهینه سازی جدول زمانی دروس برای یک دانشکده فرضی مورد استفاده قرار گرفته است. د...
full textواسنجی خودکار دو مدل بارش - رواناب تانک و simhyd با استفاده از الگوریتم ژنتیک
شبیه سازی روابط بارش- رواناب کانون اصلی توجه تحقیقات هیدرولوژی در دهه های گذشته بوده و مدلهای زیادی برای این منظور پیشنهاد شده است. انتخاب مدل به هدف از مدل سازی و اطلاعات در دسترس بستگی دارد. در این مطالعه، عملکرد نسبی دو مدل یکپارچه و مفهومی تانک[1] و simhyd مقایسه شد. در هر دو مدل ذکرشده محدودة تغییرات پارامترها زیاد است؛ در نتیجه، استفاده از روش سعی و خطا برای بهینه سازی پارامترها مشکل...
full textارزیابی عملکرد مدلهای AWBM، Sacramento و SimHyd در شبیهسازی رواناب حوضه امامه با استفاده از بهینهساز واسنجی خودکار الگوریتم ژنتیک
یکی از روشهای معتبر در شبیهسازی فرآیند پیچیده و غیرخطی بارش–رواناب استفاده از مدلهای هیدرولوژیکی است. هدف مقاله حاضر بررسی کارایی سه مدل بارش-رواناب یکپارچه و مفهومی AWBM، Sacramento و SimHyd در شبیهسازی رواناب روزانه در خروجی حوضه آبریز معرف امامه با کاربرد بهینهساز واسنجی خودکار الگوریتم ژنتیک است. مشابه سایر مدلهای هیدرولوژیکی، در هر سه مدل مذکور محدوده تغییر پارامترها زیاد است و با ت...
full textMy Resources
Journal title
volume 23 issue 2
pages 187- 197
publication date 2012-08
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023