| عنوان فارسی مقاله: | استراتژی های ترکیبی دوگانه ( هیبریدی) برای (الگوریتم) پیوسته بهینه سازی مورچگان و (الگوریتم) ازدحام ذرات ، مورد استفاده در دسته بندی اطلاعات |
| عنوان انگلیسی مقاله: | Hybridization strategies for continuous ant colony optimization and particle swarm optimization applied to data clustering |
چکیده
بهینه سازی کلونی مورچگان ( ACO) و بهینه سازی ازدحام ذرات (PSO) دو الگوریتم معروف در هوش انبوهی هستند.اخیرا، یک ACOپیوسته به نام ACOR برای حل مشکلات بهینه سازی پیوسته، توسعه یافت.این مطالعه ACOR را با PSO برای بهبود توانایی جستوجو پیوند داده و 4 نوع از ترکیب دوگانه را مطابق زیر بررسی کرده است : (1) روش دنباله ای ، (2) روش موازی ، (3) روش دنباله ای با یک جدول فرومون بزرگ و (4) بهترین تعویض سراسری.این سیستم های ترکیبی برای دسته بندی اطلاعات استفاده شدند.نتایج آزمایشی با استفاده از مجموعه داده UCI نشان میدهد که کارایی سیستم های ترکیبی پیشنهاد شده در مقایسه با K-mean ، PSO مستقل و ACOR مستقل ، برتر است.در میان 4 استراتژی برای سیستم های ترکیبی، روش دنباله ای به همراه جدول بزرگ فرومون نسبت به بقیه برتر است زیرا، جدول بزرگ فرومون ، ایجاد راه حل های جدید برای ACOR و PSO را متنوع میسازد، که از اشکالات در بهینه موضعی جلوگیری میکند.
