هم خوشه بندی چندین معیاره مبتنی بر جمعیت با استفاده از مدل ترکیبی سیستم های ایمنی مصنوعی برای داده های ریزآرایه در محیط شامل نویز

در سال های اخیر حل مسائل مختلف در حوزه های کاربردی با استفاده از روش های چندین معیاره مورد توجه قرار گرفته است. در این تحقیق قصد داریم چارچوبی کلی برای حل مسائل بهینه سازی با تعداد معیار زیاد، با استفاده از اطلاعات مربوط به مغایرت معیارهای مسئله و گروه بندی معیارها ارائه دهیم. در روش پیشنهادی این تحقیق، مسئله چندین معیاره اولیه در چند مرحله، ابتدا به چندین زیر مسئله چند معیاره، با دو یا سه معیار شکسته می شود. معیارهای با بیشترین میزان مغایرت در زیر مسئله های یکسان قرار داده می شوند. پس از آن، این زیر مسئله ها به صورت موازی با یکدیگر حل می شوند. علاوه بر آن، یک الگوی ترکیبی مبتنی بر سیستم های ایمنی مصنوعی شامل مدل های انتخاب کلونی وانتخاب منفی به عنوان یک روش جستجوی جدید، در چارچوب پیشنهادی استفاده شده است. هدف از به کارگیری گروه بندی معیارهای مسئله بر اساس بیشترین مغایرت و همچنین، استفاده از مدل ترکیبی الگوریتم های ایمنی مصنوعی شامل انتخاب کلونی و انتخاب منفی و حل زیرمسئله های چندمعیاره به وجود آمده، به صورت موازی، افزایش کارایی، بهینگی، مقیاس پذیری و مقاومت در برابر نویز برای حوزه های کاربردی مختلف است. مدل پیشنهادی در قالب ارایه سه الگوریتم آورده شده است. الگوریتم اول مربوط به حل مسائل با تعداد معیار زیاد است که نتایج بدست آمده از مقایسه مدل پیشنهادی با نمونه های مورد بررسی بر روی مسئله کوله پشتی 0/1 چندمعیاره، نشان،دهنده کارایی قابل توجه الگوریتم پیشنهادی، به ویژه در محیط شامل نویز و بیش از پنجاه درصد بهبود در زمان اجرای مدل پیشنهادی است. الگوریتم دوم مربوط به استفاده از ترکیب روش های انتخاب کلونی و انتخاب منفی برای هم خوشه بندی داده های ریزآرایه است. مدل پیشنهادی با نمونه هایی از روش های مطرح و معمول هم خوشه بندی بیانگر بهبود قابل توجه معیارهای مورد ارزیابی است. الگوریتم سوم در واقع چارچوبی کلی برای حل مسائل چندین معیاره پیشنهاد می کند که از الگوریتم های اول و دوم استفاده می کند. این مدل برای هم خوشه بندی داده های ریزآرایه بررسی و نتایج آن با نمونه هایی از الگوریتم های متداول هم خوشه بندی مقایسه گردید. این مقایسه نشان دهنده بهبود قابل توجه معیار مورد ارزیابی بوده است.