بررسی روشهای بهینه سازی الگوریتم مورچه کاوشگر

حجم زیادی از دادهها در پایگاه دادهها انباشته شده است، با این وجود سازمانها تشنه بدست آوردن دانش جدید هستند. این امرنشانگر آن است که سازمانها نتوانسته اند از دانش درون دادهها به نحو مناسبی استفاده نمایند. در واقع سازمانها به دنبال راههایی برای استخراج الگوها و اطلاعات بالقوه مفید از دادههای ذخیره شده هستند. امروزه استفاده از روشهای سنتی جمع آوری و تحلیل داده، به دلیل اتلاف زمان و ایجاد هزینه های بسیار زیاد و... مناسب نبوده و از این رو استفاده از روشهای جدید آنالیز داده بسیار حیاتی به نظر میرسد. الگوریتم مورچه کاوشگر ( ant-miner ) یک الگوریتم داده کاوی مبتنی بر کلونی مورچه است که برای کشف قوانین دسته بندی شده از مجموعه دادهها مورد استفاده قرار می گیرد. در این پژوهش به بررسی سه تعمیم برای بهینه سازی این الگوریتم پرداخته می شود که عبارتند از: 1 استفاده از چند نوع - فرومون. 2 استفاده از عملگر نفی منطقی در سوابق قوانین تولید شده. 3 استفاده از یک استراتژی - - جدید بروزرسانی فرومون به نام تشدیدکننده تضاد کیفی. هر سه روش بهینه سازی الگوریتم به زبان برنامه نویسی c# پیاده سازی شدند و از 8 مجموعه داده عمومی برای انجام آزمایش استفاده شد. به این صورت که هریک از مجموعه دادهها 11 بار، به صورت مجزا و هم به صورت ترکیب با سایر روشها برای هر الگوریتم اجرا شده و میانگین نتایج ثبت گردیده است. نتایج آزمایشها بر روی مجموعه دادهها، نشان دهنده ی بهبود کارایی الگوریتم از نظر کاهش تعداد آزمایشها، افزایش دقت پیشبینی قوانین و افزایش قابلیت درک مجموعهی قوانین تولید شده با استفاده از روشهای ذکر شده میباشد.