الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی

توضیحات تکمیلی

الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهیدانلود پروژه الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی 42 ص با فرمت word فهرست مطالب چکیده مقدمه مروری بر روش های قبل الگوریتمk-means Hard مثالی عددی از الگوریتم k-means مقادیر مرکز های اولیه فاصله بین مراکز و داده ها خوشه بندی داده ها تعیین مراکز فاصله مراکز- داده ها خوشه بندی داده ها تعیین مراکز فاصله مراکز- داده ها خوشه بندی داده ها الگوریتم Clustering (FCM) Fuzzy c-Means Hard k-Modes الگوریتم الگوریتم Fuzzy k-Modes الگوریتمGenetic fuzzy k-Modes نمایش رشته ای فرآیند مقدار دهی اولیه الگوریتم مقداردهی اولیه فرایند انتخاب الگوریتم تولید جمعیت جدید فرایند ادغام الگوریتم ادغام فرایند جهش پروسه جهش معیار توقف آزمایش ها معیار کیفیت خوشه بندی مجموعه داده نتایج نتیجه گیری پیوست – کد برنامه مراجع چکیده خوشه بندی روشی است که داده های یک مجموعه داده را به گروه یا خوشه تقسیم می کند . از مرسوم ترین روش های خوشه بندی،الگوریتم های خوشه بندی k-Means وfuzzy k-Means می باشند.این دو الگوریتم فقط روی داده های عددی عمل می کنند و به منظور رفع این محدودیت، الگوریتم های k-Modes و fuzzy k-Modes ارائه شدند که مجموعه داده های گروهی (دسته ای) را نیز خوشه بندی می کنند. . با این وجود، این الگوریتم ها ،شبیه همه روال های بهینه سازی دیگر که برای مینیمم عمومی یک تابع جستجو می کنند، احتمال گیر افتادن در یک مینیمم محلی وجود دارد. به منظوردستیابی به جوبب بهینه عمومی ، الگوریتم های تکاملی مانند ژنتیک و جدول جستجو با الگوریتم های مذکور ترکیب می شوند. در این پژوهش، الگوریتم ژنتیک ، GA، را با الگوریتم fuzzy k-Modes ترکیب شده ،بطوریکه عملگر ادغام به عنوان یک مرحله از الگوریتم fuzzy k-Modes تعریف می شود. آزمایش ها روی دو مجموعه داده واقعی انجام شده است تا همراه با مثال کارایی الگوریتم پیشنهادی را روشن نماید.