با عنوان :  کشف قوانین انجمنی عددي چند هدفه با بهره گیری از الگوریتم بهینه سازي کلونی مورچه ها براي دامنۀ پیوسته

شما می توانید تکه های دیگری از این مطلب را در شماره بندی انتهای صفحه بخوانید              
شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

در ادامه مطلب می توانید تکه هایی از ابتدای این پایان نامه را بخوانید

و در صورت نیاز به متن کامل آن می توانید از لینک پرداخت و دانلود آنی برای خرید این پایان نامه اقدام نمائید.

کشف قوانین انجمنی عددي چند هدفه با بهره گیری از الگوریتم بهینه سازي کلونی
مورچه ها براي دامنۀپیوسته

دانشگاه آزاد اسلامی
واحد تهران جنوب
دانشکده فنی و مهندسی
پایان نامه براي دریافت درجه کارشناسی ارشد “M.Sc”
مهندسی کامپیوتر-نرم افزار
عنوان :
کشف قوانین انجمنی عددي چند هدفه با بهره گیری از الگوریتم بهینه سازي کلونی
مورچهها براي دامنۀ پیوسته

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی گردد

تکه هایی از متن به عنوان نمونه :

(ممکن می باشد هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

چکیده:
 در حال حاضر اکثر الگوریتمهاي جستجوي به کار گرفته شده در ابزارهاي کاوش قوانین انجمنی عددي از روشهاي گسسته سازي متغیرهاي پیوسته بهره گیری کرده و فرض میکنند که تمامی متغیرها گسسته هستند. این مسئله، منجر به تولید قوانین انجمنی میشود که از دقت و صحت قابل قبولی برخوردار نیستند. از آن جایی که مسئلۀ کاوش قوانین انجمنی عددي یک مسئلۀ بهینه سازي سخت به شمار میرود،تا یک مسئلۀ گسسته سازي ساده، الگوریتمهاي جستجوگري که میتوانند با متغیرهاي پیوسته سروکار داشته باشند و جواب هایی دقیقتر از جوابهاي روشهاي مرسوم فراهم آورند، میتوانند جالب توجه باشند.
 در این پایان نامه، الگوریتم جدیدي براي کاوش قوانین انجمنی عددي چند هدفه ارائه شده که قادر می باشد که بدون نیاز به مشخص کردن آستانۀ حداقل پشتیبان و حداقل اطمینان و در یک مرحله به کشف بازههایی از صفات عددي که قوانین انجمنی جذاب، با پشتیبان و اطمینان بالا بپردازد. براي این کار، الگوریتم کلونی مورچهها در حوزة پیوسته (ACOR) به گونهاي به کار گرفته شده می باشد که به تولید قوانین انجمنی عددي بهینۀ یک مجموعه داده، که شامل متغیرهاي عددي پیوسته می باشد، بینجامد.
مقدمه:
دادهکاوي سودمندترین ابزار کشف دانش از میان تراکنشها می باشد [3] [2] [1]. یکی از کاربردهاي مهم دادهکاوي، کشف قوانین انجمنی میباشد که یکی از مهمترین روشهاي بازشناسی الگو در سیستمهاي بدون نظارت می باشد. کشف قوانین انجمنی مانند جستجوي طلا در یک پایگاه داده بسیار بزرگ می باشد، که در اینجا مقصود از طلا یک قانون جذاب که هنوز کشف نشده می باشد، میباشد. از این طریق میتوان تمام قوانین ممکن را در یک پایگاه داده پیدا نمود، اما مسئله اینجاست که تحلیل تعداد زیادي قانون کار سختی می باشد. به همین جهت، معیارهایی همچون ضریب پشتیبان و ضریب اطمینان براي مشخص کردن قوانین با کیفیت بالاتر به کار میروند.
 اکثر الگوریتمهاي کاوش قوانین انجمنی، مانند الگوریتم Apriori و AIS، مبتنی بر روشهایی هستند که توسط Agrawalدر [4] و [5] پیشنهاد شدهاند. با بهره گیری از این متدها نمیتوان قوانینی را که شامل صفات خاصه عددي هستند کشف نمود. این الگوریتمها مسئله کاوش قوانین انجمنی را به دو قسمت
تقسیم میکنند [1 : [6) تولید مجموعه اقلام مکرر، که در آن همه اقلامی که معیار حداقل پشتیبان را ارضا میکنند پیدا میشوند.تولید قوانین انجمنی، که در آن قوانین انجمنی که حد اقل اطمینان را ارضا میکنند از مجموعه اقلام مکرر تولید شده در مرحله قبل استخراج میشوند. از میان این دو مرحله، تولید قوانین انجمنی، پیچیدگی محاسباتی بالاتري دارد، لذا روشهایی که به گونه کارا مجموعه اقلام مکرر را تولید میکنند میتوانند جالب توجه واقع شوند. به محض پیدا شدن مجموعه اقلام مکرر، قوانین انجمنی از این مجموعه اقلام استخراج میشوند.
 در بسیاري از مسائل، ممکن می باشد با اقلام دادهاي سر و کار پیدا کنیم. که صریح 3 یا 4عددي هستند.
قوانین حاصل از این مجموعه اقلام را قوانین انجمنی عددي مینامند. به همین دلیل، الگوریتمهایی براي کاوش قوانین انجمنی عددي ارائه شدند. در یک قانون انجمنی عددي صفات خاصۀ دادهها محدود به نوع بولین نیستند، بلکه میتوانند دو نوع عددي (مثل سن، حقوق و گرما) و یا صریح (مثل جنسیت و علامت تجاري) باشند [7]. از آنجایی که کاوش قوانین انجمنی عددي یک مسئله بهینه سازي سخت می باشد تا یک مسئله گسسته سازي ساده، دستۀ مهمی از مسائل کاوش قوانین انجمنی وجود دارند که تنها زمانی میتوانند با یک الگوریتم بهینه سازي ترکیبی حل شوند که بازة پیوستۀ مقادیر مجاز صفات خاصۀ عددي به مجموعۀ محدودي تبدیل شوند. مسئله تبدیل بازة پیوسته به مجموعۀ متناهی همیشه کار راحتی نیست، به خصوص
زمانی که بازة اولیه، بازة وسیعی باشد و شفافیت و دقت بالایی مد نظر باشد. پس، در این گونه موارد، معمولاً الگوریتمهایی که به گونه طبیعی و ساده قادر به کار کردن با متغیرهاي پیوسته عددي هستند، بهتر اقدام میکنند [8].
 هم چنین، کاوش قوانین انجمنی عددي بایستی به عنوان یک مسئلۀ چند هدفه تلقی گردد، زیرا که یک قانون انجمنی بایستی قانونی جذاب و با مقدار پشتیبان و اطمینان بالایی باشد؛ لذا الگوریتمهاي کاوش قوانین انجمنی بایستی چند هدفه بوده و به گونه همزمان همۀ معیارها را براي کشف قوانین انجمنی مفید مطالعه نمایند.
 در سالهاي اخیر، الگوي هوش جمعی و به خصوص از این میان بهینه سازي کلونی مورچهها و بهینه سازي گروه ذرات، توجه زیادي را در تحقیقات به خود جلب کرده می باشد. همینطور، این الگوریتمها رایجترین متاهیوریستیکهاي هوش جمعی براي داده کاوي هستند.
 هوش جمعی، شاخه نسبتاً جدیدي از هوش مصنوعی می باشد که به مطالعه هوش جمعی حاصل از گروهی از عاملهاي ساده میپردازد. الگوریتمهاي هوش جمعی مبتنی بر رفتار اجتماعی هستند که درطبیعت قابل نظاره می باشد، مانند کلونی مورچهها، دسته پرندگان، گروه ماهیها و کندوي زنبور عسل که در
آنها تعدادي از اعضاء که قابلیتهاي محدودي دارند با همکاري هم قادرند به راه حلهایی براي مسائل پیچیده، دست پیدا کنند.
 اولین الگوریتم ACO، توسط Dorigo و همکارانش در سال 1992 در [8] جهت حل مسئله فروشندة دورهگرد ارائه گردید. این الگوریتم از رفتار جستجوي غذا در مورچه هاي حقیقی الهام گرفته شده می باشد. اساس این رفتار، ارتباط غیر مستقیم مورچهها از طریق دنبالههاي شیمیایی فرومون می باشد که آنها را
قادر به کشف کوتاهترین مسیر از لانه تا منبع غذا میسازد. تا کنون الگوریتمهاي ACO متعددي براي حل مسائل بهینه سازي گسسته و پیوسته، ارائه شده می باشد. اخیراً، نسخۀ پیوستۀ متاهیوریستیک بهینه سازي کلونی مورچهها، با هدف حل مسائل بهینه سازي پیوسته توسط Socha و Dorigo، به نام ACOR، در [10] ،[8] و [11] ارائه شده می باشد. نسخۀ ACOR، به جاي بهره گیری از تابع احتمالی که، یک مقدار براي هر رأس (که نشان دهنده یک مقدار منفرد براي متغیر گسسته می باشد) در نظر میگیرد، از یک توزیع احتمال که شامل توابع چگالی احتمال گوسی متعددي می باشد و به راحتی قابل نمونهگیري میباشد، بهره گیری می ‌کند. این الگوریتم در دادهکاوي براي آموزش وزنهاي یک شبکه عصبی در [12] به کار رفته می باشد. بر اساس آزمایشات انجام گرفته روي سه مجموعه دادة تشخیص پزشکی، آنها دریافتند، نسخه هیبرید، که الگوریتم 13] Levenberg-Marquart] را با ACOR ترکیب می ‌کند، بهتر از الگوریتمهاي Levenberg-Marqunt و انتشار به عقب اقدام می ‌کند. نتایج نشان میدهد، با وجود این که محیط آزمایشگاهی نسبتاً محدود می باشد، پتانسیل کاربرد ACOR در داده کاوي امید بخش می باشد.
 تا کنون هیچ مطالعهاي صورت نگرفته می باشد که از ACOR براي کاوش قوانین انجمنی عددي بهره گیری کرده باشد. در این پایان نامه، به توصیف چگونگی یافتن بازههاي پر تکرار دادگان عددي و قوانین انجمنی حاصل از آنها توسط ACOR، در یک مرحله و بدون نیاز به مشخص کردن حد اقل
پشتیبان و اطمینان قوانین پرداخته شده می باشد. در الگوریتم پیشنهادي، تابع هدفی که قرار می باشد بهینه گردد، تابعی وزن دار بوده، که سه معیار پشتیبان، اطمینان و جذابیت را به گونه همزمان بهینه می ‌کند و عملکرد چند هدفه دارد. نتایج نشان میدهد که قوانین انجمنی دقیق و صحیحی از این طریق، قابل تولید خواهند بود.
 در فصل اول این پایان نامه، مروري بر کلیات پژوهش ارائه میشود که شامل هدف پژوهش، پیشینۀ آن و روش پژوهش میباشد. سپس در فصل دوم، مفاهیم داده کاوي و کاوش قوانین انجمنی و هم چنین الگوریتمهاي بهینه سازي کلونی مورچهها تحت عنوان ادبیات موضوع مطرح میشود. فصل سوم به توصیف الگوریتم پیشنهادي اختصاص دارد و نتایج و ارزیابی الگوریتم پیشنهادي و مقایسۀ آن با روشهاي قبلی در فصل چهارم آورده شده می باشد. در نهایت در فصل پنجم، جمعبندي صورت گرفته و کارهاي آینده پیشنهاد میشود.

تعداد صفحه :105

قیمت : تومان14700

***

—-

پشتیبانی سایت :       

———-          serderehi@gmail.com

دیدگاهتان را بنویسید