فصل پنجم: نتیجه گیری و پیشنهاد
۵-۱- نتیجه
امروزه کاربرد داده کاوی دراکثر علوم بهطورچشمگیر مشاهده میگردد. واضح است در صورتیکه بستر مناسبی جهت استفاده از این علم مهیا نگردد، از تکنولوژی روز و بهره گیری از پیشرفتهای بهدست آمده دور خواهیم ماند.
خوشهبندی یکی از ابزار داده کاوی محسوب میگردد. از این رو، سهم بهسزایی از تحقیقات اخیر معطوف به این روش میباشد. الگوریتم FCM یک روش یادگیری بدون نظارت است که در آن تعداد خوشه ها از قبل تعیین نگردیده و علاوه بر آن یک داده می تواند به صورت همزمان به چندین خوشه تعلق داشته باشد. متأسفانه این الگوریتم علیرغم پیادهسازی آسان، با مشکلاتی چون وابستگی به شرایط اولیه، همگرایی زودرس و گیرکردن در بهینه محلی روبهرو است.
در صورتیکه مقدار اولیه مناسب برای الگوریتمFCM انتخاب گردد، امکان همگرایی به نقاط بهینه وجود دارد. لذا، با بهره گیری از الگوریـتم خفاش بهعنوان روش بهینهسازی نوین، این محدودیت مرتفع گردید. قابل توجه است که نسخه اصل الگوریتم خفاش به تنهایی در رفع این مشکل کارساز نبود. به همین دلیل، از روش تولید عدد متضاد جهت انتخاب جمعیت اولیه و روش استراتژی خود تطبیق، برای بهبود عملکرد این الگوریتم استفاده شد. این استراتژی از دو قانون جهش استفاده می کند. قانون اول از همگرایی زودرس و قانون دوم از سکون و گیر کردن در بهینه محلی جلوگیری می کند.
بهاین ترتیب، نتایج بهدست آمده از ترکیب این دو الگوریتم، علاوه بر نوآوری، محدودیتها را نیز پوشش داد و با توجه به مقایسه نتایج، مقاوم بودن و کارایی این روش تضمین گردید.
با توجه به شبیهسازیهای انجام گرفته در اغلب موارد، روش ترکیبی جدید بهترین جواب را با حداکثر دقت نتیجه میدهد. در این روش ترکیبی، علاوه بر اینکه محدودیت وابستگی به شرایط اولیه تا حدود بسیار زیادی خنثی گردیده، مشکل همگرایی دائمی به پاسخ بهینه محلی نیز تا حد قابل قبولی از بین رفته است.
شبیهسازی بر روی مجموعه داده های متنوع اجرا گردیده است. پاسخهای نهایی بهدست آمده گویای این مطلب میباشدکه وابستگی به تعداد نمونهها، تعداد خوشه ها و تعداد پارامترها وجود ندارد و الگوریتم ترکیبی عملکرد مناسبی دارد. بنابراین، این الگوریتم را میتوان بر مجموعه داده ها مشابه اعمال نمود و نتیجه مناسب را بهدست آورد.
عدم وابستگی الگوریتـم به پارامترهای موجود، α، γ،N ، fmax ، یکــی دیگر از برتریهای روش ارائه شده میباشد.
۵-۲-پیشنهاد کارهای آینده
با توجه به تلاش های انجام شده میتوان، ترکیب دو الگوریتم فازی C-means و الگوریتم TLBO را بهعنوان کار آینده پیشنهاد نمود.
مراجع
[۱]M.R. Anderberg, ‘Cluster Analysis for Application.’, New Yourk Academic Press, 1973.
[۲]J.A. Hartigan, “Statistical theory in clustering.”, Journal of Classification, 1985, Vol.2, pp.63-76.
[۳]Jon R Kettering, “The Practice of Cluster Analysis.”, Journal of Classification, 2006, Vol.23, pp.3-30.
[۴]J.J. H.Ward, “Hierarchical Grouping to Optimize an Objective Function.”, Journal of the American Statistical Association, 1963, Vol.58, pp.236-244.
[۵]J. MacQueen, “Some Methods for Classification and Analysis of MultivariateObservations.”, Fifth Berkeley Symp. Math.Statistics and Probability, 1967, Vol.2. pp.281-297.
[۶] Bezdek, J. “Fuzzy mathematics in pattern classification”, Ph.D. thesis. Ithaca, NY: Cornell University, 1794
[۷] I. Karen, A.R. Yildiz, N. Kaya, N. Ozturk, F. Ozturk, Hybrid approach
for genetic algorithm and Taguchi’s method based design
optimization in the automotive industry, International Journal of
