بهینه سازی داده کاوی در پردازش ابری با استفاده از الگوریتم های تکاملی

با گسترش سریع اینترنت، حجم داده ها و اطلاعاتی که تولید می شوند، بسیار زیاد است. از این رو کاربر با این حجم عظیم داده سر در گم خواهد شد و تشخیص اینکه کدامیک از داده ها مفید هستند، بسیار دشوار است. داده کاوی می تواند این مشکل را حل نماید. وقتی داده کاوی بر روی پردازش ابری به کار گرفته شود، زمان مورد نیاز برای پردازش، انرژی مصرفی و هزینه ها را کاهش خواهد داد. از آنجا که سرعت داده کاوی از اهمیت زیادی برخوردار است، در این تحقیق از سه الگوریتم طبقه بندی که از الگوریتم های تکاملی هستند و در مقایسه با دیگر الگوریتم های طبقه بندی از سرعت بالاتری برخوردار هستند، استفاده شده است و یک شبکه عصبی پرسپترون چند لایه (mlp) با یکی از الگوریتم های رقابت استعماری(ica)، بهینه سازی ازدحام ذرات(pso) یا تکامل تفاضلی(de) به طور جداگانه آموزش داده می شود و دقت طبقه بندی هر کدام از آنها بررسی می شود. همچنین از الگوریتم انتخاب مثال فشرده سازی سریع نزدیک ترین همسایه (fcnn)، برای انتخاب بهترین مثال ها جهت آموزش شبکه عصبی استفاده شده است و نتایج آن با نتایج روش تقسیم داده های پایگاه داده به صورت تصادفی مقایسه شده است. و این نتایج نشان می دهند که الگوریتم های پیشنهادی، علاوه بر سرعت بالاتر نسبت به کارهای پیشین، از دقت بالاتری نیز برخوردار هستند. از این رو استفاده از این الگوریتم ها در پردازش ابری، که حجم داده ها در آن زیاد است و سرعت داده کاوی امری بسیار مهم تلقی می شود مناسب می باشد.