پایان نامه ارشد کامپیوتر : کشف قوانین انجمنی عددي چند هدفه با استفاده از الگوریتم بهینه سازي کلونی مورچهها براي دامنۀ پیوسته

متن کامل پایان نامه مقطع ارشد کامپیوتر

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

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 استفاده 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 استفاده از الگوریتم بهینه سازي کلونی
مورچهها براي دامنۀ پیوسته

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

تکه هایی از متن به عنوان نمونه :

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

چکیده:
 در حال حاضر اکثر الگوریتمهاي جستجوي به کار گرفته شده در ابزارهاي کاوش قوانین انجمنی عددي از روشهاي گسسته سازي متغیرهاي پیوسته استفاده 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 است 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 است که به تولید قوانین انجمنی عددي بهینۀ یک مجموعه داده، که شامل متغیرهاي عددي پیوسته است، بینجامد.
مقدمه:
دادهکاوي سودمندترین ابزار کشف دانش از میان تراکنشها است [3] [2] [1]. یکی از کاربردهاي مهم دادهکاوي، کشف قوانین انجمنی میباشد که یکی از مهمترین روشهاي بازشناسی الگو در سیستمهاي بدون نظارت است. کشف قوانین انجمنی مانند جستجوي طلا در یک پایگاه داده بسیار بزرگ است، که در اینجا منظور از طلا یک قانون جذاب که هنوز کشف نشده است، میباشد. از این طریق میتوان تمام قوانین ممکن را در یک پایگاه داده پیدا کرد، اما مسئله اینجاست که تحلیل تعداد زیادي قانون کار سختی است. 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 استفاده 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 طور 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 است 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 داده هامحدود 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 است 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. بنابراین، در این گونه موارد، معمولاً الگوریتمهایی که به طور طبیعی و ساده قادر به کار کردن با متغیرهاي پیوسته عددي هستند، بهتر عمل میکنند [8].
 هم چنین، کاوش قوانین انجمنی عددي باید به عنوان یک مسئلۀ چند هدفه تلقی شود، چرا که یک قانون انجمنی باید قانونی جذاب و با مقدار پشتیبان و اطمینان بالایی باشد؛ لذا الگوریتمهاي کاوش قوانین انجمنی بایستی چند هدفه بوده و به طور همزمان همۀ معیارها را براي کشف قوانین انجمنی مفید بررسی 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 است. همینطور، این الگوریتمها رایجترین متاهیوریستیکهاي هوش جمعی براي داده کاوي هستند.
 هوش جمعی، شاخه نسبتاً جدیدي از هوش مصنوعی است که به بررسی هوش جمعی حاصل از گروهی از عاملهاي ساده میپردازد. الگوریتمهاي هوش جمعی مبتنی بر رفتار اجتماعی هستند که درطبیعت قابل مشاهده است، 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 شد. این الگوریتم از رفتار جستجوي غذا در مورچه هاي حقیقی الهام گرفته شده است. اساس این رفتار، ارتباط غیر مستقیم مورچهها از طریق دنبالههاي شیمیایی فرومون است 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 است. 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 است. نسخۀ ACOR، به جاي استفاده از تابع احتمالی که، یک مقدار براي هر رأس (که نشان دهنده یک مقدار منفرد براي متغیر گسسته است) در نظر میگیرد، از یک توزیع احتمال که شامل توابع چگالی احتمال گوسی متعددي است و به راحتی قابل نمونهگیري میباشد، استفاده میکند. این الگوریتم در دادهکاوي براي آموزش وزنهاي یک شبکه عصبی در [12] به کار رفته است. بر اساس آزمایشات انجام گرفته روي سه مجموعه دادة تشخیص پزشکی، آنها دریافتند، نسخه هیبرید، که الگوریتم 13] Levenberg-Marquart] را با ACOR ترکیب میکند، بهتر از الگوریتمهاي Levenberg-Marqunt و انتشار به عقب عمل میکند. نتایج نشان میدهد، با وجود این که محیط آزمایشگاهی نسبتاً محدود است، پتانسیل کاربرد ACOR در داده کاوي امید بخش است.
 تا کنون هیچ مطالعهاي صورت نگرفته است که از ACOR براي کاوش قوانین انجمنی عددي استفاده کرده باشد. در این پایان نامه، به توصیف چگونگی پیدا کردن 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 است. در الگوریتم پیشنهادي، تابع هدفی که قرار است بهینه شود، تابعی وزن دار بوده، که سه معیار پشتیبان، اطمینان و جذابیت را به طور همزمان بهینه میکند 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 تحقیق ارائه میشود که شامل هدف تحقیق، پیشینۀ آن و روش تحقیق 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 است. در نهایت در فصل پنجم، جمعبندي صورت گرفته و کارهاي آینده پیشنهاد میشود.

تعداد صفحه :105

قیمت : تومان14700

***

—-

:       

****         baharfile@zoho.com

جستجو در سایت : کلمه کلیدی خود را وارد نمایید :

 

برای جستجو بر اساس موضوع های پایان نامه ها اینجا کلیک کنید

مطالب مشابه را هم ببینید

 

فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید

9 پاسخ

ارسال یک پاسخ

می خواهید در گفتگو ها شرکت کنید؟
Feel free to contribute!

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *