مورچه ها برای دامنۀپیوسته

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

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

تکه هایی از متن به عنوان نمونه :
دانلود متن کامل در سایت sabzfile.com
(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 الگوریتمهای جستجوی به کار گرفته شده در ابزارهای کاوش قوانین انجمنی عددی از روشهای گسسته سازی متغیرهای 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 عددی یک مسئلۀ بهینه سازی سخت به شمار میرود،تا یک مسئلۀ گسسته سازی ساده، الگوریتمهای جستجوگری که میتوانند با متغیرهای پیوسته سروکار داشته باشند و جواب هایی دقیقتر از جوابهای روشهای مرسوم فراهم آورند، میتوانند جالب توجه باشند.
 در این پایان نامه، الگوریتم جدیدی برای کاوش قوانین انجمنی عددی 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 عددی که قوانین انجمنی جذاب، با پشتیبان و اطمینان بالا بپردازد. برای این کار، الگوریتم کلونی مورچهها در حوزه پیوسته (ACOR) به گونهای به کار گرفته شده می باشد که به تولید قوانین انجمنی عددی بهینۀ یک مجموعه داده، که شامل متغیرهای عددی پیوسته می باشد، بینجامد.
مقدمه:
دادهکاوی سودمندترین ابزار کشف دانش از میان تراکنشها می باشد [3] [2] [1]. یکی از کاربردهای مهم دادهکاوی، کشف قوانین انجمنی میباشد که یکی از مهمترین روشهای بازشناسی الگو در سیستمهای بدون نظارت می باشد. کشف قوانین انجمنی مانند جستجوی 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 زیادی قانون کار سختی می باشد. به همین جهت، معیارهایی همچون ضریب پشتیبان و ضریب اطمینان برای مشخص کردن قوانین با کیفیت بالاتر به کار میروند.
 اکثر الگوریتمهای 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 عددی 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 بالاتری دارد، پس 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 بسیاری از مسائل، ممکن می باشد با اقلام دادهای سر و کار پیدا کنیم. که صریح 3 یا 4عددی هستند.
قوانین حاصل از این مجموعه اقلام را قوانین انجمنی عددی مینامند. به همین دلیل، الگوریتمهایی برای کاوش قوانین انجمنی عددی ارائه شدند. در یک قانون انجمنی عددی صفات خاصۀ دادهها محدود به نوع بولین نیستند، بلکه میتوانند دو نوع عددی (مثل سن، حقوق و گرما) و یا صریح (مثل جنسیت و علامت تجاری) باشند [7]. از آنجایی که کاوش قوانین انجمنی عددی یک مسئله بهینه سازی سخت می باشد تا یک مسئله گسسته سازی ساده، دستۀ مهمی از مسائل کاوش قوانین انجمنی وجود دارند که تنها زمانی میتوانند با یک الگوریتم بهینه سازی ترکیبی حل شوند که بازه پیوستۀ مقادیر مجاز صفات خاصۀ عددی به مجموعۀ محدودی تبدیل شوند. مسئله تبدیل بازه پیوسته به مجموعۀ متناهی همیشه کار راحتی نیست، به خصوص
زمانی که بازه اولیه، بازه وسیعی باشد و شفافیت و دقت بالایی مد نظر باشد. پس، در این گونه موردها، معمولاً الگوریتمهایی که به گونه طبیعی و ساده قادر به کار کردن با متغیرهای پیوسته عددی هستند، بهتر اقدام میکنند [8].
 هم چنین، کاوش قوانین انجمنی عددی 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؛ پس الگوریتمهای کاوش قوانین انجمنی بایستی چند هدفه بوده و به گونه همزمان همۀ معیارها را برای کشف قوانین انجمنی مفید مطالعه نمایند.
 در سالهای اخیر، الگوی هوش جمعی و به خصوص از این میان بهینه سازی کلونی مورچهها و بهینه سازی گروه ذرات، توجه زیادی را در تحقیقات به خود جلب کرده می باشد. همینطور، این الگوریتمها رایجترین متاهیوریستیکهای هوش جمعی برای داده کاوی هستند.
 هوش جمعی، شاخه نسبتاً جدیدی از هوش مصنوعی می باشد که به مطالعه هوش جمعی حاصل از گروهی از عاملهای ساده میپردازد. الگوریتمهای هوش جمعی مبتنی بر رفتار اجتماعی هستند که درطبیعت قابل نظاره می باشد، مانند کلونی مورچهها، دسته پرندگان، گروه ماهیها و کندوی زنبور عسل که در
آنها تعدادی از اعضاء که قابلیتهای محدودی دارند با همکاری هم قادرند به راه حلهایی برای مسائل پیچیده، دست پیدا کنند.
 اولین الگوریتم ACO، توسط Dorigo و همکارانش در سال 1992 در [8] جهت حل مسئله فروشنده دورهگرد ارائه گردید. این الگوریتم از رفتار جستجوی غذا در مورچه های حقیقی الهام گرفته شده می باشد. اساس این رفتار، ارتباط غیر مستقیم مورچهها از طریق دنبالههای شیمیایی فرومون می باشد که آنها را
قادر به کشف کوتاهترین مسیر از لانه تا منبع غذا میسازد. تا کنون الگوریتمهای ACO متعددی برای حل مسائل بهینه سازی گسسته و پیوسته، ارائه شده می باشد. اخیراً، نسخۀ پیوستۀ متاهیوریستیک بهینه سازی کلونی مورچهها، با هدف حل مسائل بهینه سازی پیوسته توسط Socha و Dorigo، به نام ACOR، در [10] ،[8] و [11] ارائه شده می باشد. نسخۀ ACOR، به جای بهره گیری از تابع احتمالی که، یک مقدار برای هر رأس (که نشان دهنده یک مقدار منفرد برای متغیر گسسته می باشد) در نظر میگیرد، از یک توزیع احتمال که شامل توابع چگالی احتمال گوسی متعددی می باشد و به راحتی قابل نمونهگیری میباشد، بهره گیری می ‌کند. این الگوریتم در دادهکاوی برای آموزش وزنهای یک شبکه عصبی در [12] به کار رفته می باشد. بر اساس آزمایشات انجام گرفته روی سه مجموعه داده تشخیص پزشکی، آنها دریافتند، نسخه هیبرید، که الگوریتم 13] Levenberg-Marquart] را با ACOR ترکیب می ‌کند، بهتر از الگوریتمهای 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 کاوی امید بخش می باشد.
 تا کنون هیچ مطالعهای صورت نگرفته می باشد که از ACOR برای کاوش قوانین انجمنی عددی بهره گیری کرده باشد. در این پایان نامه، به توصیف چگونگی یافتن بازههای پر تکرار دادگان عددی 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 پیشنهادی، 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، مروری بر کلیات پژوهش ارائه میشود که شامل هدف پژوهش، پیشینۀ آن و روش پژوهش میباشد. سپس در فصل دوم، مفاهیم داده کاوی و کاوش قوانین انجمنی و هم چنین الگوریتمهای بهینه سازی کلونی مورچهها تحت عنوان ادبیات موضوع مطرح میشود. فصل سوم به توصیف الگوریتم پیشنهادی اختصاص دارد و نتایج و ارزیابی الگوریتم پیشنهادی و مقایسۀ آن با روشهای قبلی در فصل چهارم آورده شده می باشد. در نهایت در فصل پنجم، جمعبندی صورت گرفته و کارهای آینده پیشنهاد میشود.

تعداد صفحه :105

قیمت : تومان14700

این مطلب رو هم توصیه می کنم بخونین:   دانلود پایان نامه ارشد رشته کامپیوتر :قابلیت اطمینان درشبکه های بی سیم بامنابع خفته

***

جستجو در سایت :   

—-

پشتیبانی سایت :       

****         serderehi@gmail.com


دیدگاهتان را بنویسید