Professional Documents
Culture Documents
ﭼﮑﯿﺪه -اﻣﺮوزه ﺑﺎ ﭘﯿﺸﺮﻓﺖ روز اﻓﺰون ﻋﻠﻢ و در ﻧﺘﯿﺠﻪ اﻓﺰاﯾﺶ ﺣﺠﻢ اﻃﻼﻋﺎت در
ﺷﺒﯿﻪﺳﺎزي ﺷﺪه 3ﺑﺎ اﻟﻬﺎم از ﻓﺮآﯾﻨﺪ ذوب ﻓﻠﺰات در ﻋﻠﻢ ﺗﺮﻣﻮدﯾﻨﺎﻣﯿﮏ )،(1983 ﺑﺎﻧﮑﻬﺎي اﻃﻼﻋﺎﺗ ﯽ ،ﻧﯿﺎز ﺑﻪ روﺷﯽ ﺑﺮاي ﯾﺎﻓﺘﻦ ﺳﺮﯾ ﻊ و ﮐﻢ ﻫﺰﯾﻨﻪ اﻃﻼﻋﺎت ﻣﻮرد ﻧﯿﺎز از
ﺑﯿﻦ ﺳﯿ ﻞ اﻧﺒﻮﻫﯽ از داده ﻣﯽ ﺑﺎﺷﺪ .ﻟﺬا اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻫﻮش ﺟﻤﻌﯽ 1ﻣﺒﺘﻨ ﯽ ﺑﺮ ﭘﺪﯾﺪه-
ﺟﺴﺘﺠﻮي ﺗﺎﺑﻮ 4ﺑﺮ اﺳﺎس ﭘﺎﺳﺦ ﺣﺎﻓﻈﻪ ) ،(1986اﻟﮕﻮرﯾﺘﻢ اﯾﻤﻨﯽ ﻣﺼﻨﻮﻋ ﯽ 5ﺑﺎ
ﻫﺎي ﺗﺼﺎدﻓﯽ و ﺑﺎ اﻟﻬﺎم ﮔﺮﻓﺘﻦ از ﻃﺒﯿﻌﺖ ﺑﻪ ﺧﺼﻮص ﻓﺮآﯾﻨﺪﻫﺎي ﻓﯿﺰﯾﮑﯽ و
ﺷﺒﯿﻪﺳﺎزي ﺳﯿﺴﺘﻢ دﻓﺎﻋﯽ ﺑ ﺪن اﻧﺴﺎن در ﻣﻮاﺟﻬﻪ ﺑﺎ ﻋﻮاﻣﻞ ﺑﯿﻤﺎريزاي ﺑﯿﻮﻟﻮژﯾﮑﯽ ﺳﻌﯽ در ﺣﻞ ﺑﻬﯿﻨﻪ و ﺑﺎ ﺑﺎزدﻫﯽ ﺑﺎﻻ ﻫﻢ از ﻧﻈﺮ زﻣﺎن و ﻫﻢ از ﻧﻈﺮ ﻫﺰﯾﻨﻪ را
ﺧﺎرﺟﯽ ) ،(1986اﻟﮕﻮرﯾﺘﻢ ﺟﺴﺘﺠﻮي ﮐﻠﻮﻧﯽ ﻣﻮرﭼﮕﺎن 6ﺑﺎ ﺗﻘﻠﯿ ﺪ از رﻓﺘﺎر دارﻧﺪ .اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪ ﺳﺎزي ﻧﯿﺮوي ﻣﺮﮐﺰي ،ﮐﻪ اﻟﻬﺎم ﮔﺮﻓﺘﻪ از ﻗﻮاﻧﯿﻦ ﻓﯿﺰﯾﮏ ﻣﯽ-
ﻣﻮرﭼﻪﻫﺎ در ﯾﺎﻓﺘﻦ ﮐﻮﺗﺎﻫﺘﺮﯾﻦ ﻣﺴﯿﺮ ﺑﯿﻦ ﻏﺬا و ﺧﺎﻧﻪ ) ،(1991ﺑﻬﯿﻨﻪﺳﺎزي ﺑﺎﺷﺪ و ﺑﻪ ﺟﺎي ﺧﺎﺻﯿﺖ ﺗﺼﺎدﻓﯽ از ﻗﻮاﻧﯿﻦ ﻗﻄﻌﯽ ﻓﯿﺰﯾﮑ ﯽ در ﻋﻤﻠﮑﺮد ﺧﻮد ﺑﻬﺮه ﻣ ﯽ-
ﺑﺮد ﯾﮑﯽ از اﯾﻦ روشﻫﺎﺳﺖ .در اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ اﺑﺘﮑﺎر ي ﻓﻮق ،ﻋﻤﻞ
ﺟﻤﻌﯿﺖ ذرات 7ﺑﺎ اﻟﻬﺎم ﮔﺮﻓﺘﻦ از رﻓﺘﺎر اﺟﺘﻤﺎﻋﯽ ﭘﺮﻧﺪﮔﺎن در ﻫﻨﮕﺎم ﮐﻮچ و
ﺧﻮﺷﻪﯾﺎﺑﯽ ﺷﺪت روﺷﻨﺎﯾﯽ ﺗﺼﻮﯾﺮ ﺑﺮ روي ﯾﮏ ﺳﺮي از ﺗﺼﺎوﯾﺮ اﺳﺘﺎﻧﺪارد در ﻋﻠﻢ
ﮔﺮوه ﻣﺎﻫﯽﻫﺎ ) (1995و اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪ ﺳﺎزي ﻧﯿﺮوي ﻣﺮﮐﺰ ي 8ﮐﻪ از ﻗﻮاﻧﯿﻦ
ﭘﺮدازش ﺗﺼﻮﯾﺮ اﻧﺠﺎم ﺷﺪ ﮐﻪ ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶ ﻗﺪرت ﺑﺴﯿﺎر ﺑﺎﻻي اﯾﻦ روش را ﻧﺸﺎن
ﻓﯿﺰﯾﮏ و اﻟﻬﺎم از ﻧﯿﺮوي ﮔﺮاﻧﺶ ﺑﯿﻦ اﺟﺮام ) ،(2006ﺑﻮﺟﻮد آﻣﺪهاﻧﺪ ].[6-1 داد.
اﻟﮕﻮرﯾﺘﻢ وراﺛﺘﯽ ﺑﺎ اﺳﺘﻔﺎده از ﺳﻪ ﻋﻤﻠﮕﺮ اﻧﺘﺨﺎب ،ﺗﺮﮐﯿﺐ و ﺟﻬﺶ ﮐﻪ ﺑﺮ
روي ﯾﮏ ﺟﻤﻌﯿﺖ اوﻟﯿﻪ از ﺟﻮاﺑﻬﺎي ﻣﺴﺌﻠﻪ اﻋﻤﺎل ﻣﯽﺷﻮﻧﺪ ﺷﺮوع ﺷﺪه ،و ﺑﺎ ﮐﻠﯿﺪ واژه -اﻟﮕﻮرﯾﺘﻢ اﺑﺘﮑﺎري ،ﺑﻬﯿﻨﻪﯾﺎﺑﯽ ﻗﻄﻌﯽ ،ﭘﺮدازش ﺗﺼﻮﯾﺮ ،ﺧﻮﺷﻪﯾﺎﺑﯽ،
ﻗﻮاﻧﯿﻦ ﮔﺮاﻧﺶ ،ﻣﻌﯿﺎر ﺧﻮﺷﻪﯾﺎﺑﯽ.
ﺗﻐﯿﯿﺮ ﻫﺮ ﻧﺴﻞ ،ﻧﺴﻠﯽ از ﺟﻮاﺑﻬﺎي ﺑﻬﯿﻨﻪﺗﺮ ﺗﻮﻟﯿﺪ ﻣﯽﺷﻮﻧﺪ .اﯾﻦ ﻓﺮآﯾﻨﺪ ﺑﻪ
اﻋﻀﺎي ﺑﻬﺘﺮ ،ﺷﺎﻧﺲ ﺑﯿﺸﺘﺮي ﺑﺮاي ﺗﻮﻟﯿﺪ ﻣﺜﻞ ﻣﯽدﻫﺪ و ﻧﻬﺎﯾﺘﺎ ﺑﻪ ﺟﻮاب ﺑﻬﯿﻨﻪ
ﻣﻘﺪﻣﻪ -1
ﻣﺴﺌﻠﻪ ﻣﯽرﺳﺪ ] .[1در اﻟﮕﻮرﯾﺘﻢ اﯾﻤﻨﯽ ﻣﺼﻨﻮﻋﯽ ﺟﻮاﺑﻬﺎي ﻣﺴﺌﻠﻪ ﺑﻪ ﺻﻮرت
آﻧﺘﯽﺑﺎدي و ﺗﺎﺑﻊ ﻫﺪف ﺑﻪ ﻋﻨﻮان آﻧﺘﯽژن ﻓﺮض ﻣﯽﺷﻮﻧﺪ .ﻣﯿﺰان اﯾﻨﮑﻪ اﯾﻦ دو ﺑﺎ اﻓﺰاﯾﺶ ﺣﺠﻢ ﻣﺴﺎﯾﻞ و اﻓﺰاﯾﺶ ﭘﺎراﻣﺘﺮﻫﺎي ﺣﻞ و ﻧﯿﺎز ﺑﻪ رﺳﯿﺪن ﺟﻮاب
ﺑﻪ ﭼﻪ ﻣﯿﺰان ﺑﻪ ﯾﮑﺪﯾﮕﺮ ﺷﺒﯿﻪ ﻫﺴﺘﻨﺪ اﻟﮕﻮرﯾﺘﻢ را ﺑﻪ ﺳﻤﺖ ﭘﺎﺳﺦ ﺑﻬﯿﻨﻪ ﻫﺪاﯾﺖ ﺑﺎ ﺳﺮﻋﺖ ﺑﺎﻻ در ﻣﺴﺎﺋﻞ ﻣﻬﻨﺪﺳﯽ ،دﯾﮕﺮ روشﻫﺎي ﮐﻼﺳﯿﮏ ﻧﻤﯽﺗﻮاﻧﻨﺪ از
ﻣﯽﮐﻨﺪ ] .[3اﻟﮕﻮرﯾﺘﻢ ﺟﻤﻌﯿﺖ ﻣﻮرﭼﻪﻫﺎ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﭘﯿﭽﯿﺪه ﮐﻪ ﺑﯿﺸﺘﺮ ﻋﻬﺪه ﺣﻞ ﭼﻨﯿﻦ ﻣﺴﺎﺋﻠﯽ ﺑﺮآﯾﻨﺪ ﻟﺬا ﻧﯿﺎز اﺳﺖ ﺗﺎ ﺑﻪ ﺗﻬﯿﻪ روشﻫﺎﯾﯽ ﺟﺪﯾﺪ ﺑﺮاي
ﺑﺘﻮان آن را ﺑﻪ ﺻﻮرت ﮔﺮاف ﺑﯿﺎن ﮐﺮد ﺑﺴﯿﺎر ﻣﻨﺎﺳﺐ اﺳﺖ .ﻣﻮرﭼﻪﻫﺎ ﺣﻞ اﯾﻦ ﻣﺸﮑﻞ ﭘﺮداﺧﺘﻪ ﺷﻮد .در ﭼﻨﺪ دﻫﻪ اﺧﯿﺮ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢﻫﺎﯾﯽ ﮐﻪ
ﻣﺴﯿﺮﻫﺎي ﮔﺮاف را ﭘﯿﻤﻮده و از ﺧﻮد ردﭘﺎ ﺑﻪ ﺟﺎي ﻣﯽﮔﺬارﻧﺪ ﮐﻪ ﺑﺎ اﯾﻦ ﮐﺎر از ﭘﺪﯾﺪهﻫﺎي ﺗﺼﺎدﻓﯽ ﺑﻪ ﺟﺎي ﺟﺴﺘﺠﻮي ﻫﻤﻪ ﺟﺎﻧﺒﻪ ﻓﻀﺎي ﻣﺴﺌﻠﻪ اﺳﺘﻔﺎده
ﮐﻠﻮﻧﯽ ﺑﻪ ﺳﻤﺖ ﮐﻮﺗﺎﻫﺘﺮﯾﻦ ﻣﺴﯿﺮ ﮐﻪ ﻫﻤﺎن ﺟﻮاب اﺳﺖ ﻫﺪاﯾﺖ ﻣﯽﺷﻮد ] .[4 ﻣﯽﮐﻨﻨﺪ رﺷﺪ ﭼﺸﻤﮕﯿﺮي داﺷﺘﻪ اﺳﺖ .اﯾﻦ اﻟﮕﻮرﯾﺘﻢﻫﺎ ﮐﻪ ﺑﯿﺸﺘﺮ ﺑﺎ ﻧﺎم
اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزي ﺟﻤﻌﯿﺖ ذرات ﺷﺎﻣﻞ ﯾﮏ ﺳﺮي از ذرات اﺳﺖ ﮐﻪ ﻫﺮ اﻟﮕﻮرﯾﺘﻢﻫﺎي اﺑﺘﮑﺎري ﯾﺎ ﻫﻮش ﺟﻤﻌﯽ ﻣﻌﺮوف ﻫﺴﺘﻨﺪ ،اﻟﮕﻮرﯾﺘﻢﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ
ﯾﮏ داراي ﯾﮏ ﻣﺨﺘﺼﺎت در ﻓﻀﺎي ﻣﺴﺌﻠﻪ ﻣﯽﺑﺎﺷﺪ .ﻫﺮ ذره ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﮐﻪ ﺑﺎ اﻟﻬﺎم ﮔﺮﻓﺘﻦ از ﻓﺮآﯾﻨﺪﻫﺎي ﻓﯿﺰﯾﮑﯽ و ﺑﯿﻮﻟﻮژﯾﮑﯽ ﻃﺒﯿﻌﯽ ﺳﻌﯽ در ﭘﯿﺪا
ﺑﻬﺘﺮﯾﻦ ﻣﮑﺎﻧﯽ ﮐﻪ ﺗﺎﮐﻨﻮن داﺷﺘﻪ اﺳﺖ و ﺑﻬﺘﺮﯾﻦ ﻣﮑﺎﻧﯽ ﮐﻪ ﮐﻞ ذرات داﺷﺘﻪ- ﮐﺮدن ﻧﻘﻄﻪ ﺑﻬﯿﻨﻪ از ﻓﻀﺎي ﻣﺴﺌﻠﻪ را دارﻧﺪ .ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل از ﻣﻌﺮوفﺗﺮﯾﻦ اﯾﻦ
اﻧﺪ ﺑﺎ ﻫﻤﮑﺎري ﯾﮑﺪﯾﮕﺮ ﺑﻪ ﺳﻤﺖ ﺑﻬﺘﺮﯾﻦ ﭘﺎﺳﺦ ﺣﺮﮐﺖ ﮐﺮده و ﺷﺘﺎب ﻣﯽﮔﯿﺮﻧﺪ
] .[5در اﻟﮕﻮرﯾﺘﻢ ﻧﯿﺮوي ﻣﺮﮐﺰي ذرات ﮐﻪ ﻫﻤﮕﯽ داراي ﻣﻘﺪاري از ﺟﺮم
اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزي ﻧﯿﺮوي ﻣﺮﮐﺰي )(CFO -2 ﻫﺴﺘﻨﺪ ﺑﺮ اﺳﺎس ﻗﻮاﻧﯿﻦ ﮔﺮاﻧﺶ ﺑﻪ ﺳﻤﺖ ﻫﻢ ﺟﺬب ﺷﺪه و اﺟﺮام ﺑﻪ ﺳﻤﺖ
ﺟﺮم ﺑﺰرﮔﺘﺮ ﮐﻪ ﺟﻮاب ﻣﺴﺌﻠﻪ اﺳﺖ ﺣﺮﮐﺖ ﻣﯽﮐﻨﻨﺪ ] .[6روشﻫﺎي ﺟﺴﺘﺠﻮي
اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزي ﻧﯿﺮوي ﻣﺮﮐﺰي ) (CFOﯾﮑﯽ از اﻟﮕﻮرﯾﺘﻢﻫﺎي
اﺑﺘﮑﺎري روشﻫﺎﯾﯽ ﺗﮑﺮارﺷﻮﻧﺪه 1ﺑﻮده ﮐﻪ اﮐﺜﺮاّ داراي ﺳﻪ ﺧﺎﺻﯿﺖ
اﺑﺘﮑﺎري و اﻟﻬﺎم ﮔﺮﻓﺘﻪ از ﻃﺒﯿﻌﺖ ﻣﯽﺑﺎﺷﺪ ﮐﻪ ﺑﺮ ﻃﺒﻖ ﻋﻠﻢ ﻣﺮﺑﻮط ﺑﻪ ﺣﺮﮐﺖ و
ﺧﻮدﺳﺎزﮔﺎري ،2ﻫﻤﮑﺎري 3و رﻗﺎﺑﺖ 4در داﺧﻞ ﺧﻮد ﻫﺴﺘﻨﺪ.
ﻧﯿﺮوﻫﺎ ،ﺳﺎﺧﺘﻪ ﺷﺪه اﺳﺖ .اﯾﻦ ﻋﻠﻢ ﺷﺎﺧﻪاي از ﻓﯿﺰﯾﮏ ﻣﯽﺑﺎﺷﺪ ﮐﻪ ﺑﻪ ﺑﺮرﺳﯽ
اﻟﮕﻮرﯾﺘﻢﻫﺎي ﮔﻔﺘﻪ ﺷﺪه ﻫﻤﮕﯽ از ﻣﺠﻤﻮﻋﻪاي از ذرات در ﻓﻀﺎي
ﺣﺮﮐﺖ اﺟﺮام ﺗﺤﺖ ﺗﺎﺛﯿﺮ ﻧﯿﺮوي ﮔﺮاﻧﺸﯽ ﻣﯽﭘﺮدازد .ﺑﻪ دﻟﯿﻞ اﯾﻦ ﮐﻪ ﻣﻌﺎدﻻت
ﺟﺴﺘﺠﻮي ﻣﺴﺌﻠﻪ ﺗﺸﮑﯿﻞ ﺷﺪهاﻧﺪ ﮐﻪ ﺑﻪ ﻃﺮﯾﻘﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻋﻤﻠﮕﺮﻫﺎي
ﺣﺮﮐﺖ ﺑﻪ ﺻﻮرت ﻗﻄﻌﯽ ﻫﺴﺘﻨﺪ ،ﻟﺬا اﻟﮕﻮرﯾﺘﻢ CFOاز دﯾﮕﺮ اﻟﮕﻮرﯾﺘﻢﻫﺎي ﺑﺮ
ﺧﺎص ﻫﺮ ﮐﺪام ﺑﺎ ﻫﻢ ﻫﻤﮑﺎري و رﻗﺎﺑﺖ ﮐﺮده و ﺑﻪ ﺳﻤﺖ ﺑﻬﯿﻨﻪﺗﺮﯾﻦ ﭘﺎﺳﺦ
ﮔﺮﻓﺘﻪ از ﻃﺒﯿﻌﺖ ﻣﺘﻤﺎﯾﺰ ﺷﺪه و داراي ﺧﺎﺻﯿﺖ ﻗﻄﻌﯿﺖ در رﺳﯿﺪن ﺑﻪ ﺟﻮاب
ﭘﯿﺶ ﻣﯽروﻧﺪ .در اﮐﺜﺮ اﯾﻦ اﻟﮕﻮرﯾﺘﻢﻫﺎ از ﺗﻮاﺑﻊ و ﭘﺪﯾﺪهﻫﺎي ﺗﺼﺎدﻓﯽ 5ﺑﻬﺮه
ﻣﯽﺑﺎﺷﺪ و در ﻃﯽ رﺳﯿﺪن ﺑﻪ ﺟﻮاب از ﻣﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ اﺳﺘﻔﺎده ﻧﻤﯽﮐﻨﺪ.
ﺑﺮده ﺷﺪه اﺳﺖ ﮐﻪ اﯾﻦ اﻣﺮ ﺳﺒﺐ ﻣﯽﺷﻮد ﺗﺎ اﻟﮕﻮرﯾﺘﻢ ﺑﻪ ﯾﮏ ﺟﻮاب ﺻﺪ در
اﻟﮕﻮرﯾﺘﻢ ﻓﻮق از اﯾﻦ ﻣﻔﻬﻮم ﺑﺮﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ ﮐﻪ در ﮐﺎﺋﻨﺎت ﺗﻤﺎﻣﯽ اﺟﺮام
ﺻﺪ ﺑﻬﯿﻨﻪ ﻧﺮﺳﺪ و ﻫﺮ ﻧﻮع از آﻧﻬﺎ در ﮐﺎرﺑﺮدي ﺧﺎص ﻧﺴﺒﺖ ﺑﻪ دﯾﮕﺮي ﺑﺮﺗﺮي
ﺗﻮﺳﻂ ﻧﯿﺮوي ﺟﺎذﺑﻪ ﺑﻪ ﯾﮑﺪﯾﮕﺮ ﺟﺬب ﻣﯽﮔﺮدﻧﺪ ﮐﻪ اﯾﻦ اﻣﺮ ﺑﯿﺎن ﮐﻨﻨﺪه ﻗﺎﻧﻮن
دارد .اﻣﺎ در ﺑﻌﻀﯽ اﻟﮕﻮرﯾﺘﻢﻫﺎ از ﺟﻤﻠﻪ اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزي ﻧﯿﺮوي ﻣﺮﮐﺰي از
ﺟﻬﺎﻧﯽ ﮔﺮاﻧﺶ ﻧﯿﻮﺗﻦ ﻣﯽﺑﺎﺷﺪ .ﻧﯿﺮوي ﮔﺮاﻧﺶ ﯾﮏ ﻧﯿﺮوي ﺑﺮداري ﺑﻮده ﮐﻪ ﺑﺮ
ﭘﺪﯾﺪهﻫﺎي ﻗﻄﻌﯽ 6ﮐﻪ ﻫﻤﺎن ﻓﺮﻣﻮلﻫﺎي رﯾﺎﺿﯽ ﻣﯽﺑﺎﺷﻨﺪ اﺳﺘﻔﺎده ﺷﺪه ﮐﻪ
روي اﺷﯿﺎء در ﻓﻮاﺻﻞ دور اﻋﻤﺎل ﻣﯽﮔﺮدد و ﻣﯿﺰان اﯾﻦ ﻧﯿﺮو ﺑﻪ دوري ﯾﺎ
اﯾﻦ اﻣﺮ ﺳﺒﺐ ﻣﯽﺷﻮد ﺗﺎ اﻟﮕﻮرﯾﺘﻢ ﺑﺎ ﯾﮏ ﺳﺮي داده اوﻟﯿﻪ ﻫﻤﻮاره ﺑﻪ ﯾﮏ
ﻧﺰدﯾﮑﯽ و ﻣﯿﺰان ﺟﺮمﻫﺎي دو ﺷﺊ ﺑﺴﺘﮕﯽ دارد ،ﺣﺎل ﺑﺮﻃﺒﻖ ﻓﺮﻣﻮل اﯾﻦ ﻧﯿﺮو
ﺟﻮاب ﺑﺮﺳﺪ و ﻟﺬا در ﺻﻮرت ﻫﻤﮕﺮاﯾﯽ و ﺗﻌﺪاد ﺗﮑﺮار ﺑﺎﻻ ﺑﻪ ﺟﻮاب ﺻﺪ درﺻﺪ
ﺑﻪ ﺣﺎﺻﻠﻀﺮب ﺟﺮم دو ﺟﺴﻢ ﻧﺴﺒﺖ ﻣﺴﺘﻘﯿﻢ و ﺑﻪ ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﻣﺮاﮐﺰ دو ﺟﺴﻢ
ﺑﻬﯿﻨﻪ دﺳﺖ ﭘﯿﺪا ﻣﯽﮐﻨﺪ.
ﺑﻪ ﺻﻮرت ﻣﺠﺬوري ﻧﺴﺒﺖ ﻋﮑﺲ دارد ﺑﻪ ﻫﻤﯿﻦ دﻟﯿﻞ ﻫﻢ ﻧﺎم اﯾﻦ اﻟﮕﻮرﯾﺘﻢ
در ﻋﻠﻢ داده ﮐﺎوي 7ﻫﺪف ﭘﯿ ﺪا ﮐﺮدن ﯾﮏ ﺳﺮي اﻃﻼﻋﺎت ﺑﺎ ﻣﻌﻨﯽ از ﻣﯿﺎن
ﺑﻬﯿﻨﻪﺳﺎزي ﻧﯿﺮوي ﻣﺮﮐﺰي اﺳﺖ. 8
اﻧﺒﻮﻫﯽ از اﻃﻼﻋﺎت اﺳﺖ .ﯾﮑﯽ از روشﻫﺎي راﯾﺞ ﺑﺮاي اﯾﻦ ﮐﺎر ﻃﺒﻘﻪﺑﻨﺪي
ﻓﻀﺎي ﺗﺼﻤﯿﻢ ﺑﻪ ﺻﻮرت x min x i x max i 1 ,2 , , N d
i i اﺳﺖ ﮐﻪ در ﺣﺎﻟﺖ ﺧﺎص آن ﺧﻮﺷﻪﯾﺎﺑﯽ 9ﻧﺎم دارد .ﻫﺪف از ﺧﻮﺷﻪﯾﺎﺑﯽ ﺗﻘﺴﯿﻢ-
ﺗﻌﺮﯾﻒ ﺷﺪه اﺳﺖ ﮐﻪ در آن xiﻣﺘﻐﯿﺮﻫﺎي ﺗﺼﻤﯿﻢ ﻫﺴﺘﻨﺪ ﮐﻪ ﻣﻮﻗﻌﯿﺖ ﻧﻘﻄﻪ
ﺑﻨﺪي ﺗﻌﺪادي از دادهﻫﺎ در ﻓﻀﺎي وﯾﮋﮔﯽ ،ﺑﺮ ﻣﺒﻨﺎي ﯾﮏ ﻣﻌﯿﺎر ﺷﺒﺎﻫﺖ ﺑﻪ
ﺑﻬﯿﻨﻪ را ﺑﺮاي ﺗﺎﺑﻊ ﻫﺪف f x1,x2 ,, xND ﺗﻌﯿﯿﻦ ﻣﯽﮐﻨﻨﺪ f x .در ﻫﺮ
ﮔﺮوهﻫﺎي از ﻫﻢ ﺟﺪا )ﺧﻮﺷﻪ( ﻣﯽﺑﺎﺷﺪ.
ﻧﻘﻄﻪ xﺑﺮآزﻧﺪﮔﯽ ) (fitnessآن ﻧﻘﻄﻪ اﺳﺖ .در اﯾﻨﺠﺎ ﻫﻢ ﻣﺎﻧﻨﺪ دﯾﮕﺮ
ﭘﯿﮑﺮﺑﻨﺪي اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﻪ اﯾﻦ ﺗﺮﺗﯿﺐ اﺳﺖ ﮐﻪ در ﺑﺨﺶ 2ﺑﻪ ﻣﻔﺎﻫﯿﻢ اﺳﺎﺳﯽ
اﻟﮕﻮرﯾﺘﻢﻫﺎ ﺗﻮﭘﻮﻟﻮژي ﺗﺎﺑﻊ ﻫﺪف ﺑﻪ ﺻﻮرت ﻧﺎﻣﻌﻠﻮم اﺳﺖ.
در ﻣﻮرد اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزي ﻧﯿﺮوي ﻣﺮﮐﺰي اﺷﺎره ﻣﺨﺘﺼﺮي ﺧﻮاﻫﺪ ﺷﺪ .در
در ﺟﻬﺎن ﻓﯿﺰﯾﮏ ﻣﻘﺪار ﻧﯿﺮوي ﮔﺮاﻧﺸﯽ ﺑﯿﻦ دو ﺟﺮم m1و m2ﮐﻪ ﺑﻪ
ﺑﺨﺶ 3ﺑﻪ ﺑﯿﺎﻧﯽ اﺟﻤﺎﻟﯽ از ﻣﻔﻬﻮم ﺧﻮﺷﻪﯾﺎﺑﯽ و ﻣﻌﯿﺎر ﺷﺒﺎﻫﺖ ﭘﺮداﺧﺘﻪ ﺷﺪه
ﻓﺎﺻﻠﻪ rاز ﻫﻢ ﻗﺮار ﮔﺮﻓﺘﻪاﻧﺪ ﺑﻪ ﺻﻮرت زﯾﺮ ﺑﻪ دﺳﺖ ﻣﯽآﯾﻨﺪ (Marion
ﮐﻪ ﻣﻄﺎﻟﺐ دو ﺑﺨﺶ ﻓﻮق ﺗﻤﻬﯿﺪات ﻻزم ﺑﺮاي ورود ﺑﻪ ﺑﺨﺶ 4ﮐﻪ ﻣﻌﺮﻓﯽ
): 1970
روﺷﯽ ﺟﺪﯾﺪ ﺑﺮاي ﺧﻮﺷﻪﯾﺎﺑﯽ ﺧﻮدﮐﺎر ﺗﺼﻮﯾﺮ ﺑﺮ ﻣﺒﻨﺎي اﻟﮕﻮرﯾﺘﻢ ﻧﯿﺮوي
m1m2
F )(1 ﻣﺮﮐﺰي را ﮐﻪ ﻫﺪف اﯾﻦ ﺗﺤﻘﯿﻖ اﺳﺖ ﻓﺮاﻫﻢ ﻣﯽآورد .ﭘﺲ از ﺗﻮﺿﯿﺤﺎت
r2
ﺗﻔﺼﯿﻠﯽ درﺑﺎره روش ﺧﻮﺷﻪﯾﺎﺑﯽ اراﺋﻪ ﺷﺪه ،در ﺑﺨﺶ 5ﺑﻪ ارزﯾﺎﺑﯽ ﻋﻤﻠﮑﺮد آن
ﺑﻪ ﻃﻮرﯾﮑﻪ 0ﯾﮏ ﺛﺎﺑﺖ ﮔﺮاﻧﺸﯽ اﺳﺖ .ﺷﺘﺎب ﻧﺎﺷﯽ از ﻧﯿﺮوي
در ﻣﻮا ﺟﻬﻪ ﺑﺎ اﻧﻮاع اﺳﺘﺎﻧﺪارد ﺗﺼﻮﯾﺮ و ﻣﻘﺎﯾﺴﻪ آن ﺑﺎ ﻋﻤﻠﮑﺮد ﺳﺎﯾﺮ روشﻫﺎي
اﻋﻤﺎﻟﯽ از ﺟﺮم m2ﺑﻪ ﺟﺮم m1از ﻗﺎﻧﻮن دوم ﻧﯿﻮﺗﻦ ﺑﻪ ﺻﻮرت زﯾﺮ ﺣﺴﺎب
ﻣﺮﺳﻮم ﭘﺮداﺧﺘﻪ ﺧﻮاﻫﺪ ﺷﺪ .ﺑﺤﺚ و ﻧﺘﯿﺠﻪﮔﯿﺮي ﻧﻬﺎﯾﯽ در ﺑﺨﺶ ،6ﻣﻘﺎﻟﻪ را
ﻣﯽﮔﺮدد:
ﺧﺎﺗﻤﻪ ﺧﻮاﻫﺪ داد.
ˆm r
a1 22 )(2
r
ﺑﻪ ﻃﻮرﯾﮑﻪ ̂ rﯾﮏ ﺑﺮدار اﺳﺖ ﮐﻪ از ﺟﺮم m2ﺧﺎرج ﺷﺪه اﺳﺖ .ﺗﺎﺑﻊ ﻫﺪف
ﮐﻪ در Ndﺑﻌﺪ اﺳﺖ در زﻣﺎن J-1ﺑﺮاي ﭘﺮاب ) Pدر اﻟﮕﻮرﯾﺘﻢ CFOﺑﻪ ذرات،
1
ﭘﺮاب ﮔﻔﺘﻪ ﻣﯽﺷﻮد( ﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد: 2
Iterative
Self adaptation
p
M j 1 f x1 p , j 1
, x2
p , j 1
, , xN d
p , j 1
)(3 3
4
Cooperative
Competition
ﺑﺮاي ﻫﺮ ﭘﺮاب ﯾﮏ ﺑﺮآزﻧﺪﮔﯽ ﺑﻪ ﺻﻮرت ﻣﻌﺎدﻟﻪ 3ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد 5
Stochastic
p 6
M j 1 , k 1,2, , N pﮐﻪ N pﺗﻌﺪاد ﮐﻞ ﭘﺮابﻫﺎ اﺳﺖ .در اﯾﻨﺠﺎ 7
Deterministic
Data mining
Mﺑﻪ ﻣﻌﻨﺎي ﺑﺮآزﻧﺪﮔﯽ ﭘﺮاب pدر زﻣﺎن J ﺑﺎﯾﺪ ﺑﻪ ﯾﮏ ﻧﮑﺘﻪ دﻗﺖ ﮐﺮد ﮐﻪ
p 8
j Classification
9
Clustering
3
ﮐﺪام ﻣﻌﺎﯾﺐ و ﻣﺰاﯾﺎ و ﻫﻤﭽﻨﯿﻦ ﮐﺎرﺑﺮدﻫﺎي ﺧﺎص ﺧﻮد را دارد .اﻟﮕﻮرﯾﺘﻢﻫﺎي اﺳﺖ و ﺟﺮم ﭘﺮاب ﻧﻤﯽﺑﺎﺷﺪ .ﺣﺮﮐﺖ ﭘﺮاب از ﻣﻮﻗﻌﯿﺖ R jp1ﺑﻪ R jpﺑﺴﺘﮕﯽ
ﺧﻮﺷﻪﯾﺎﺑﯽ از ﻧﻈﺮ ﺗﻌﯿﯿﻦ ﺗﻌﺪاد ﺧﻮﺷﻪﻫﺎ ﺑﻪ دو دﺳﺘﻪ ﺗﻘﺴﯿﻢ ﻣﯽﺷﻮد ﯾﮑﯽ ﺑﻪ ﻣﻘﺎدﯾﺮ اوﻟﯿﻪ ﻣﻮﻗﻌﯿﺖ و ﻣﻘﺪار ﺷﺘﺎب اﻋﻤﺎﻟﯽ ﺑﺮ دو ﭘﺮاب دارد ﮐﻪ از راﺑﻄﻪ
ﺧﻮﺷﻪﯾﺎﺑﯽ ﻧﻈﺎرت ﺷﺪه ﮐﻪ در آن ﺗﻌﺪاد ﺧﻮﺷﻪﻫﺎ از ﻗﺒﻞ ﺗﻮﺳﻂ ﮐﺎرﺑﺮ ﺗﻌﯿﯿﻦ زﯾﺮ ﺑﺮاي ﻣﺜﻼ ﺑﺮاي دو ﭘﺮاب pو nﺑﻪ دﺳﺖ ﻣﯽآﯾﺪ:
ﻣﯽﺷﻮد )ﻃﺒﻘﻪﺑﻨﺪي( و دﯾﮕﺮي ﺧﻮﺷﻪﯾﺎﺑﯽ ﻧﻈﺎرت ﻧﺸﺪه ﮐﻪ در آن ﺗﻌﺪاد ﺑﻬﯿﻨﻪ )(4
ﺧﻮﺷﻪﻫﺎ ﺗﻮﺳﻂ ﺧﻮد اﻟﮕﻮرﯾﺘﻢ ﺑﺪﺳﺖ ﻣﯽآﯾﺪ[7] .
روشﻫﺎي ﺧﻮﺷﻪﯾﺎﺑﯽ زﯾﺎدي در ﻃﻮل ﺳﺎﻟﻬﺎ اراﺋﻪ ﺷﺪه اﺳﺖ ﮐﻪ ﻫﻤﮕﯽ
p
a j 1
G.U M nj1 M jp1 M nj1 M jp1 R nj1 R jp1
ارﺗﺒﺎط ﺑﯿﻦ ﺷﺒﺎﻫﺖ و ﻋﺪمﺷﺒﺎﻫﺖ را ﺑﺎ ﺑﯿﺎنﻫﺎي ﻣﺘﻔﺎوت ﻣﻄﺮح ﮐﺮدهاﻧﺪ .ﺑﺮاي R nj1 R jp1
ﻣﺜﺎل اورﯾﺖ Everittﭼﻬﺎر اﻟﮕﻮرﯾﺘﻢ را در ﺳﺎل 1980ﻣﻄﺮح ﮐﺮد :ﺳﻠﺴﻠﻪ- G 0ﺛﺎﺑﺖ ﮔﺮاﻧﺸﯽ اﺳﺖ ﮐﻪ ﻣﻌﺎدل اﺳﺖ ﺑﺎ ﻣﻘﺪار در ﻓﺮﻣﻮل
ﻣﺮاﺗﺒﯽ ،ﺑﻬﯿﻨﻪﺳﺎزي ،ﺟﺴﺘﺠﻮي ﭼﮕﺎﻟﯽ و اﻟﮕﻮرﯾﺘﻢ ﺗﺠﻤﻊ ﻫﻤﭽﻨﯿﻦ ﻧﻮﯾﺴﻨﺪﮔﺎن ﻓﯿﺰﯾﮑﯽ ﻗﺎﻧﻮن ﮔﺮاﻧﺶ U ،ﺗﺎﺑﻊ ﭘﻠﻪ ﻣﯽﺑﺎﺷﺪ و و دو ﻋﺪد ﺛﺎﺑﺖ ﺑﺎ ﻣﻘﺎدﯾﺮ
دﯾﮕﺮ ﻣﺘﺪﻫﺎي زﯾﺎدي ﭼﻮن ،K meansﻧﻤﻮدارﻫﺎي ﭼﻨﺪ ﺑﻌﺪي و ...را ﻧﻮﺷﺘﻨﺪ. ﻣﺜﺒﺖ ﻣﯽﺑﺎﺷﻨﺪ.
اﻣﺮوزه از روشﻫﺎي ﻫﻮﺷﻤﻨﺪ و اﺑﺘﮑﺎري و ﺗﺮﮐﯿﺐ روشﻫﺎي ﮐﻼﺳﯿﮏ ﻣﻮﻗﻌﯿﺖ ﺟﺪﯾﺪ ﻫﺮ ﭘﺮاب ﺑﻪ ﺻﻮرت زﯾﺮ ﺑﻪ روزرﺳﺎﻧﯽ ﻣﯽﺷﻮد:
اﻟﮕﻮرﯾﺘﻢﻫﺎي ﺧﻮﺷﻪﯾﺎﺑﯽ ﺟﺪﯾﺪي را اراﺋﻪﮐﺮدهاﻧﺪ ] .[8از ﻣﯿﺎن اﯾﻦ روشﻫﺎ 1
R jp R jp1 a jp1t 2 )(5
روش ﺧﻮﺷﻪﺑﻨﺪي K meansاز ﺷﻬﺮت ﺑﯿﺸﺘﺮي ﺑﺮﺧﻮردار ﺑﻮده و اﺳﺘﻔﺎده 2
ﮔﺴﺘﺮدهﺗﺮي ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﯾﺮ ﻣﻮارد دارد ] .[7در اﯾﻦ روش اﺑﺘﺪا ﺑﻪ ﺗﻌﺪاد ﭘﯿﺶ- ﺑﻪ ﻃﻮرﮐﻠﯽ اﻟﮕﻮرﯾﺘﻢ CFOداراي ﻣﺮاﺣﻞ زﯾﺮ ﺑﺮاي رﺳﯿﺪن ﺑﻪ ﺟﻮاب ﻣﯽ-
ﻓﺮض ﻣﺮاﮐﺰ ﺧﻮﺷﻪﻫﺎ ﺑﻪ ﺻﻮرت ﮐﺎﻣﻼ ﺗﺼﺎدﻓﯽ از ﻣﯿﺎن ﻧﻘﺎط داده اﻧﺘﺨﺎب ﺑﺎﺷﺪ:
ﻣﯽﺷﻮﻧﺪ و ﺳﭙﺲ ﻋﻤﻞ ﺗﺸﮑﯿﻞ ﺧﻮﺷﻪﻫﺎ ﺑﺎ ﺗﻌﻠﻖ دادن ﻧﻘﺎط داده ﺑﻪ -1ﻣﻮﻗﻌﯿﺖﻫﺎي اوﻟﯿﻪ ﭘﺮابﻫﺎ را ﺣﺴﺎب ﮐﺮده و ﻣﻘﺪار ﺑﺮآزﻧﺪﮔﯽ را ﺑﺮاي
ﻧﺰدﯾﮑﺘﺮﯾﻦ ﻣﺮﮐﺰ ﺻﻮرت ﻣﯽﮔﯿﺮد .در ﻣﺮﺣﻠﻪ ﺑﻌﺪي ﻣﺮاﮐﺰ ﺟﺪﯾﺪ ﺧﻮﺷﻪﻫﺎ ﺑﻪ ﻫﺮ ﯾﮏ از آﻧﻬﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ ﻫﺪف ﺑﻪ دﺳﺖ ﻣﯽآورﯾﻢ .ﺳﭙﺲ ﺑﻪ ﻫﺮ ﭘﺮاب
ﻣﻘﺪار ﻣﯿﺎﻧﮕﯿﻦ ﻫﻤﻪ ﻧﻘﺎط ﻣﻮﺟﻮد در ﯾﮏ ﺧﻮﺷﻪ ﺗﻐﯿﯿﺮ ﻣﻘﺪار ﻣﯽدﻫﻨﺪ و ﻣﺠﺪداّ ﻣﻘﺪار اوﻟﯿﻪ ﺷﺘﺎب را ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل ﺷﺘﺎب اﻋﻤﺎل ﻣﯽﮐﻨﯿﻢ.
ﻋﻤﻞ ﺗﻌﻠﻖ دادهﻫﺎ در ﻓﻀﺎي وﯾﮋﮔﯽ ﺑﻪ ﺧﻮﺷﻪﻫﺎ ﺗﮑﺮار ﻣﯽﺷﻮد .اﯾﻦ ﻓﺮآﯾﻨﺪ -2ﻣﻮﻗﻌﯿﺖ ﺟﺪﯾﺪ ﻫﺮ ﭘﺮاب را ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل ﺷﺘﺎب ) (4و ﻓﺮﻣﻮل
آﻧﻘﺪر ﺗﮑﺮار ﺷﺪه ﺗﺎ ﻣﺮاﮐﺰ ﺧﻮﺷﻪﻫﺎ ﺛﺎﺑﺖ ﺑﺎﻗﯽ ﺑﻤﺎﻧﻨﺪ .ﺷﺎﯾﺪ ﺑﺘﻮان ﮔﻔﺖ روش ﺣﺮﮐﺖ ) (5ﺑﻪ روز رﺳﺎﻧﯽ ﻣﯽﮐﻨﯿﻢ.
k meansﺑﻪ دﻟﯿﻞ ﺳﺎﺧﺘﺎر ﺳﺎده آن ﯾﮑﯽ از ﺑﻬﺘﺮﯾﻦ روشﻫﺎي ﺧﻮﺷﻪﯾﺎﺑﯽ -3ﺗﻌﯿﯿﻦ ﻣﯽﮐﻨﯿﻢ ﮐﻪ آﯾﺎ ﻫﻤﻪ ﭘﺮابﻫﺎ در ﻓﻀﺎي ﺗﺼﻤﯿﻢ (Decision
ﺑﻮده و ﺑﻪ ﺧﺎﻃﺮ ﻋﻤﻠﮑﺮد ﺧﻮب ﺑﺎ اﻗﺒﺎل ﺑﯿﺸﺘﺮي ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﯾﺮ روشﻫﺎ ﻣﻮاﺟﻪ ) Spaceﻗﺮار دارﻧﺪ.
ﺷﺪه اﺳﺖ .اﻣﺎ ﺑﺎﯾﺪ داﻧﺴﺖ ﮐﻪ روش ﻣﺬﮐﻮر در ﻣﻮاﺟﻬﻪ ﺑﺎ ﺣﺠﻢ زﯾﺎد اﻃﻼﻋﺎت -4ﺑﺮآزﻧﺪﮔﯽ ﻫﺮ ﭘﺮاب را ﻣﺤﺎﺳﺒﻪ ﻣﯽﮐﻨﯿﻢ.
دﭼﺎر ﭼﺎﻟﺶ ﻣﯽﺷﻮد .زﯾﺮا ﺗﺨﻤﯿﻦ دﻗﯿﻖ ﺑﻬﺘﺮﯾﻦ ﺗﻌﺪاد ﺧﻮﺷﻪﻫﺎ در آن ﮐﺎر -5ﺑﺠﺰ ﻣﺮﺣﻠﻪ 1ﻣﺮاﺣﻞ ﺑﺎﻻ را آﻧﻘﺪر ﺗﮑﺮار ﮐﺮده ﺗﺎ ﯾﮑﯽ از ﻣﻌﯿﺎرﻫﺎي
آﺳﺎﻧﯽ ﻧﯿﺴﺖ .ﻟﺬا اﻣﺮوزه ﻣﺤﻘﻘﺎن ﺑﺎ ﺗﺮﮐﯿﺐ روشﻫﺎي ﮐﻼﺳﯿﮏ و اﻟﮕﻮرﯾﺘﻢ- ﺗﻮﻗﻒ رخ دﻫﺪ ].[6
ﻫﺎي ﻫﻮﺷﻤﻨﺪ ﺑﻪ روشﻫﺎي ﻣﻮﺛﺮﺗﺮي ﺟﻬﺖ ﺧﻮﺷﻪﯾﺎﺑﯽ در ﻓﻀﺎﻫﺎي ﺑﺎ اﺑﻌﺎد
ﺧﻮﺷﻪﯾﺎﺑﯽ ﺧﻮدﮐﺎر ﻣﺒﺘﻨﯽ ﺑﺮ اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزي -3
زﯾﺎد دﺳﺖ ﭘﯿﺪا ﻣﯽﮐﻨﻨﺪ.
در ﻫﺮ اﻟﮕﻮرﯾﺘﻢ ﺧﻮﺷﻪﯾﺎﺑﯽ در ﻫﺮ ﺗﮑﺮار اﻟﮕﻮرﯾﺘﻢ ﻧﯿﺎز اﺳﺖ ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻧﯿﺮوي ﻣﺮﮐﺰي
ﺷﺎﺧﺺ ﻣﻌﯿﺎر ﺧﺎﺻﯽ 1ﻋﻤﻠﮑﺮد اﻟﮕﻮرﯾﺘﻢ را ﺑﺮرﺳﯽ ﮐﺮد ﺗﺎ ﺑﻪ ﺑﻬﺘﺮﯾﻦ ﺗﻌﺪاد
-1-3ﻣﺴﺌﻠﻪ ﺧﻮﺷﻪﯾﺎﺑﯽ
ﺧﻮﺷﻪ از ﻣﯿﺎن دادهﻫﺎ رﺳﯿﺪ ،ﮐﻪ از ﻧﻈﺮ دو ﻣﻌﯿﺎر زﯾﺮ ﺑﻬﯿﻨﻪ ﺑﺎﺷﻨﺪ:
از ﻧﻈﺮ ﻋﻤﻠﯽ ﻣﺴﺌﻠﻪ ﺧﻮﺷﻪﯾﺎﺑﯽ ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻫﺪف اوﻟﯿﻪ در ﺑﺎزﺷﻨﺎﺳﯽ
"ﻓﺎﺻﻠﻪﻫﺎي درون ﺧﻮﺷﻪاي" ﻧﻤﻮﻧﻪﻫﺎ از ﻣﺮﮐﺰ ﯾﮏ ﺧﻮﺷﻪ؛
اﻟﮕﻮ ﻣﻄﺮح اﺳﺖ و ﺑﻪ ﻋﻠﺖ ﮐﺎرﺑﺮد ﻓﺮاوان در زﻣﯿﻨﻪﻫﺎي دادهﮐﺎوي ،ﭘﺮدازش
"ﻓﺎﺻﻠﻪﻫﺎي ﺑﺮون ﺧﻮﺷﻪاي" ﺑﯿﻦ ﻣﺮاﮐﺰ ﺧﻮﺷﮫھﺎ.
ﺗﺼﻮﯾﺮ ،ﻣﺎﺷﯿﻦ ﺑﯿﻨﺎﯾﯽ و . . .ﺗﻮﺟﻪ ﺑﺴﯿﺎري از ﻣﺤﻘﻘﺎن را ﺑﻪ ﺧﻮد ﺟﻠﺐ ﮐﺮده
ﻟﺬا ﻣﻌﯿﺎرﻫﺎي ﺳﻨﺠﺶ ﻓﺮاواﻧﯽ ﺗﻮﺳﻂ ﻣﺤﻘﻘﺎن در ﻃﻮل ﺳﺎﻟﻬﺎ ﻣﻌﺮﻓﯽ ﺷﺪه
اﺳﺖ .ﻫﺪف از ﺧﻮﺷﻪﯾﺎﺑﯽ اﯾﻨﺴﺖ ﮐﻪ از ﺑﯿﻦ ﯾﮑﺴﺮي دادهﻫﺎي ورودي ،آﻧﻬﺎﯾﯽ
ﮐﻪ ﯾﮑﯽ از اﯾﻦ ﻣﻌﯿﺎرﻫﺎ ،ﺷﺎﺧﺺ دﯾﻮﯾﺲ -ﺑﻮﻟﺪﯾﻦ 2ﻣﯽﺑﺎﺷﺪ ] 7و .[10
ﮐﻪ از ﻧﻈﺮ ﯾﮏ ﺗﻌﺪاد وﯾﮋﮔﯽ ﺧﺎص ،ﺑﻪ ﻫﻢ ﺷﺒﯿﻪﺗﺮ ﻫﺴﺘﻨﺪ در ﯾﮏ ﺧﻮﺷﻪ ﻗﺮار
ﺑﮕﯿﺮﻧﺪ .ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ دادهﻫﺎﯾﯽ ﮐﻪ در ﯾﮏ ﺧﻮﺷﻪ ﻗﺮار دارﻧﺪ ﺑﯿﺸﺘﺮﯾﻦ
ﺷﺒﺎﻫﺖ را ﺑﻪ ﯾﮑﺪﯾﮕﺮ دارﻧﺪ و دادهﻫﺎي ﻣﻮﺟﻮد در ﺧﻮﺷﻪﻫﺎي ﻣﺘﻔﺎوت از
ﯾﮑﺪﯾﮕﺮ ﻣﺘﻤﺎﯾﺰ ﻫﺴﺘﻨﺪ.
1
Cluster validity index ﺗﺎﮐﻨﻮن اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻣﺘﻔﺎوﺗﯽ ﺑﺮاي ﺧﻮﺷﻪﯾﺎﺑﯽ ﻣﻄﺮح ﺷﺪه اﺳﺖ ﮐﻪ ﻫﺮ
2
Davies-Bouldin Index
4
ﻓﻀﺎ ﺟﻬﺖ ذﺧﯿﺮهﺳﺎزي ﯾﺎ ارﺳﺎل و درﯾﺎﻓﺖ ﯾﮏ ﺗﺼﻮﯾﺮ ،ﻣﺠﺒﻮر ﻫﺴﺘﯿﻢ ﺣﺠﻢ -2-3ﺗﻌﺮﯾﻒ ﻣﻌﯿﺎر دﯾﻮﯾﺲ -ﺑﻮﻟﺪﯾﻦ ) (DBﺑﺮاي ﺧﻮﺷﻪ-
ﯾﮏ ﺗﺼﻮﯾﺮ را ﮐﺎﻫﺶ ﺑﺪﻫﯿﻢ و ﯾﺎ ﺑﻪ ﻋﺒﺎرﺗﯽ دﯾﮕﺮ ﺗﺼﻮﯾﺮ را ﻓﺸﺮدهﺳﺎزي ﯾﺎﺑﯽ ﻣﻄﻠﻮب
ﺑﮑﻨﯿﻢ .ﮐﻮاﻧﺘﯿﺰه ﮐﺮدن ﺗﺼﻮﯾﺮ ﯾﮏ روش ﻓﺸﺮدهﺳﺎزي ﺑﺎ اﺗﻼف )ﺑﺮﮔﺸﺖ اﯾﻦ ﺷﺎﺧﺺ ﯾﮏ ﺗﺎﺑﻊ از ﻧﺴﺒﺖ ﭘﺮاﮐﻨﺪﮔﯽ 1درون ﺧﻮﺷﻪاي ﺑﻪ ﺟﺪاﺳﺎزي
ﻧﺎﭘﺬﯾﺮ( اﺳﺖ .روشﻫﺎي ﻣﻌﻤﻮل ﺑﺮاي اﯾﻦ ﮐﺎر ،روشﻫﺎي آﺳﺘﺎﻧﻪﮔﺬاري ﯾﺎ 2
ﺑﯿﻦ ﺧﻮﺷﻪاي اﺳﺖ .ﭘﺮاﮐﻨﺪﮔﯽ ﺧﻮﺷﻪ Ciو ﺟﺪاﺳﺎزي ﺑﯿﻦ دو ﺧﻮﺷﻪ iام و j
اﻟﮕﻮرﯾﺘﻢﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ K-meansاﺳﺖ ﮐﻪ ﺑﻪ ﻋﻠﺖ ﻋﺪم اﻧﺘﺨﺎب ﺗﻌﺪاد رﻧﮕﻬﺎي ام ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﺤﺎﺳﺒﻪ ﻣﯽﮔﺮدد:
ﺑﻬﯿﻨﻪ و ﯾﺎ ﺧﻮﺷﻪﯾﺎﺑﯽ ﻧﺎﻣﻨﺎﺳﺐ ،ﺗﺼﻮﯾﺮ ﮐﻮاﻧﺘﯿﺰه ﺷﺪه ﻣﻤﮑﻦ اﺳﺖ از ﮐﯿﻔﯿﺖ 1
q
1
ﻣﻨﺎﺳﺒﯽ ﺑﺮﺧﻮردار ﻧﺒﺎﺷﺪ. S i,q
q
x xi 2 ) (6
C
ﻧﺎﺣﯿﻪ ﺑﻨﺪي ﺗﺼﻮﯾﺮ ﻋﺒﺎرﺗﺴﺖ از ﺗﻘﺴﯿﻢ ﯾﮏ ﺗﺼﻮﯾﺮ ﺑﻪ ﺗﻌﺪادي ﻣﺤﺪوده i xC i
ﻣﺸﺎﺑﻪ ﮐﻪ اﯾﻦ ﻣﺤﺪودهﻫﺎي ﻣﺸﺎﺑﻪ اﺷﯿﺎء ﯾﺎ ﻗﺴﻤﺘﻬﺎي آﻧﻬﺎ را ﻧﻤﺎﯾﺶ ﻣﯽدﻫﺪ. 1
xi x )(7
ﺗﻘﺴﯿﻢ ﺑﻨﺪي ﺗﺼﻮﯾﺮ ﯾﮏ روﻧﺪ اﺳﺎﺳﯽ در ﺑﺮﺧﯽ ﮐﺎرﺑﺮدﻫﺎي ﭘﺮدازش ﺗﺼﻮﯾﺮ و Ci xC i
ﻣﺎﺷﯿﻦ ﺑﯿﻨﺎﯾﯽ اﺳﺖ و ﻣﯽﺗﻮان آن را ﺑﻪ ﻋﻨﻮان اوﻟﯿﻦ اﻗﺪام ﭘﺮدازش ﺳﻄﺢ و
ﭘﺎﯾﯿﻦ در ﺑﺎزﺷﻨﺎﺳﯽ اﻟﮕﻮ و ﭘﺮدازش ﺗﺼﻮﯾﺮ در ﻧﻈﺮ ﮔﺮﻓﺖ. p t
1
t
ﺷﺮوط ﻻزم ﺑﺮاي ﺗﻘﺴﯿﻢ ﺗﺼﻮﯾﺮ Iﺑﻪ Kﻣﺤﺪوده ﻋﺒﺎرﺗﻨﺪ از: d ij , t xi x j xis x js )(8
t
S 1
-1ﻫﺮ ﭘﯿﮑﺴﻞ ﺑﺎﯾﺪ ﺑﻪ ﯾﮏ ﻣﺤﺪوده ﺗﻌﻠﻖ داﺷﺘﻪ ﺑﺎﺷﺪ؛
ﺑﻪ ﻃﻮرﯾﮑﻪ xiو Ciﺑﻪ ﺗﺮﺗﯿﺐ ﺑﯿﺎن ﮐﻨﻨﺪه ﻣﺮﮐﺰ و ﺗﻌﺪاد ﻋﻨﺎﺻﺮ ﻣﻮﺟﻮد
-2ﻫﺮ ﭘﯿﮑﺴﻞ ﺑﺎﯾﺪ ﺑﻪ ﯾﮏ و ﻓﻘﻂ ﯾﮏ ﻣﺤﺪوده ﺗﻌﻠﻖ داﺷﺘﻪ ﺑﺎﺷﺪ؛
در ﺧﻮﺷﻪ iام ﻣﯽﺑﺎﺷﺪ.
-3در ﻫﺮ ﻣﺤﺪوده ﺑﺎﯾﺪ ﺷﺮط ﻫﻤﮕﻨﯽ ﺑﺮﻗﺮار ﺑﺎﺷﺪ؛ 3
ﺑﻪ ﻣﻘﺪار S i ,1ﻓﺎﺻﻠﻪ ﻣﯿﺎﻧﮕﯿﻦ اﻗﻠﯿﺪﺳﯽ ﺑﺮدار ﺧﻮﺷﻪ iام ﺗﺎ ﻣﺮﮐﺰ آن ﺧﻮﺷﻪ
-4اﺟﺘﻤﺎع دو ﻣﺤﺪوده ﻣﺨﺘﻠﻒ ﻧﺒﺎﯾﺪ در ﺷﺮط ﻫﻤﮕﻨﯽ ﺻﺪق ﮐﻨﺪ؛
ﻻزم ﺑﻪ ذﮐﺮ اﺳﺖ ﮐﻪ ﺑﺮاي ﻧﺎﺣﯿﻪﺑﻨﺪي ﺗﺼﻮﯾﺮ ،روشﻫﺎ و دﺳﺘﻪﺑﻨﺪيﻫﺎي ﻣﯽﮔﻮﯾﻨﺪ d ij , t .ﻓﺎﺻﻠﻪ ﻣﯿﻨﮑﺴﮑﯽ 4از ﻣﺮﺗﺒﻪ tﺑﯿﻦ دو ﻣﺮﮐﺰ ﺧﻮﺷﻪ Ciو C j
ﻣﺨﺘﻠﻔﯽ وﺟﻮد دارد .در اﯾﻨﺠﺎ ﻣﻨﻈﻮر از ﻧﺎﺣﯿﻪﺑﻨﺪي ﺗﺼﻮﯾﺮ ،ﻧﺎﺣﯿﻪﺑﻨﺪي ﺑﺎ اﺳﺖ .در اداﻣﻪ ﻣﻘﺪار Ri , qtﺑﺮاي ﺧﻮﺷﻪ Ciﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽﮔﺮدد:
اﺳﺘﻔﺎده از ﺷﺪت روﺷﻨﺎﯾﯽ ﻫﺮ ﭘﯿﮑﺴﻞ اﺳﺖ ﺑﻪ اﯾﻦ ﻣﻌﻨﯽ ﮐﻪ ،ﭘﯿﮑﺴﻞﻫﺎﯾﯽ ﮐﻪ S S j , q
داراي ﺷﺪت روﺷﻨﺎﯾﯽ ﻣﺸﺎﺑﻬﯽ ﻫﺴﺘﻨﺪ درون ﯾﮏ ﻧﺎﺣﯿﻪ ﻗﺮار ﻣﯽﮔﯿﺮﻧﺪ .ﺑﺮاي Ri , qt max i , q )(9
dij ,t
j, ji
اﯾﻦ ﻧﻮع ﻧﺎﺣﯿﻪ ﺑﻨﺪي )ﺑﺮ اﺳﺎس ﺷﺪت روﺷﻨﺎﯾﯽ ﻫﺮ ﭘﯿﮑﺴﻞ( روشﻫﺎي ﻧﻬﺎﯾﺘﺎ ﺑﺮاي ﺧﻮﺷﻪﯾﺎﺑﯽ Kﺧﻮﺷﻪ ﺷﺎﺧﺺ DBﺑﻪ ﺻﻮرت زﯾﺮ ﺑﯿﺎن ﻣﯽ-
ﻣﺘﻔﺎوﺗﯽ وﺟﻮد دارد. ﮔﺮدد:
در روش آﺳﺘﺎﻧﻪ ﺗﺼﻮﯾﺮ ﺑﻪ دو ﻗﺴﻤﺖ ،ﯾﮑﯽ ﮐﻤﺘﺮ از آﺳﺘﺎﻧﻪ و دﯾﮕﺮي ﺑﯿﺸﺘﺮ k
1
از آﺳﺘﺎﻧﻪ ﺗﻘﺴﯿﻢ ﻣﯽﺷﻮد .در روشﻫﺎي ﺑﺮ ﭘﺎﯾﻪ ﻟﺒﻪ ﻧﺎﺣﯿﻪﺑﻨﺪي ﺑﺎ ﭘﯿﺪا ﮐﺮدن DB Ri , qt )(10
k i 1
ﻟﺒﻪﻫﺎي ﻣﺤﺪودهﻫﺎ ﺑﻪ دﺳﺖ ﻣﯽآﯾﺪ .در روشﻫﺎي رﺷﺪ ﻣﺤﺪوده ،ﯾﮏ
ﺑﻪ ﻃﻮرﯾﮑﻪ Kﺗﻌﺪاد ﺧﻮﺷﻪﻫﺎ ﺑﻮده و ﻟﺬا ﺑﺮاي داﺷﺘﻦ ﻣﻨﺎﺳﺐﺗﺮﯾﻦ ﺗﻌﺪاد
ﻣﺠﻤﻮﻋﻪ از ﭘﯿﮑﺴﻞﻫﺎ اﻧﺘﺨﺎب ﻣﯽﺷﻮﻧﺪ ،ﭘﯿﮑﺴﻞﻫﺎي ﻫﻤﺴﺎﯾﻪ اﮔﺮ داراي
ﺧﻮﺷﻪ از ﻧﻈﺮ ﻣﻌﯿﺎر ﺷﺒﺎﻫﺖ ﺑﺎﯾﺪ ﻣﻘﺪار DBرا ﻣﯿﻨﯿﻤﻢ ﮐﺮد ].[11
ﻣﺤﺪوده ﻣﺸﺎﺑﻪ ﺑﺎﺷﻨﺪ ﺑﻪ آﻧﻬﺎ اﺿﺎﻓﻪ ﻣﯽﺷﻮﻧﺪ و اﯾﻦ ﮐﺎر ﺗﺎ زﻣﺎﻧﯿﮑﻪ ﻫﯿﭻ
ﭘﯿﮑﺴﻠﯽ ﻧﺘﻮاﻧﺪ ﺑﻪ ﻣﺤﺪوده اﺿﺎﻓﻪ ﺑﺸﻮد ﺗﮑﺮار ﻣﯽﮔﺮدد و در روشﻫﺎي -3-3ﮐﺎرﺑﺮد ﺧﻮﺷﻪﯾﺎﺑﯽ در ﭘﺮدازش ﺗﺼﻮﯾﺮ
ﺧﻮﺷﻪﯾﺎﺑﯽ ﻫﺮ ﻣﺤﺪوده را ﻣﯽﺗﻮان ﺑﻪ ﯾﮏ ﺧﻮﺷﻪ اﺧﺘﺼﺎص داد و ﺷﺪت ﯾﮑﯽ از ﮐﺎرﺑﺮدﻫﺎي ﺧﻮﺷﻪﯾﺎﺑﯽ ،در ﻣﺒﺤﺚ ﭘﺮدازش ﺗﺼﻮﯾﺮ ﻣﯽﺑﺎﺷﺪ ﮐﻪ در
روﺷﻨﺎﯾﯽ ﻫﺮ ﭘﯿﮑﺴﻞ را ﺑﻪ ﻋﻨﻮان ﯾﮏ اﻟﮕﻮي ورودي در ﻧﻈﺮ ﮔﺮﻓﺖ. دو ﻣﻮرد ﻣﯽﺗﻮاﻧﺪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﺑﮕﯿﺮد ﯾﮑﯽ ﮐﻮاﻧﺘﯿﺰه ﺳﺎزي ﺗﺼﻮﯾﺮ و دﯾﮕﺮ
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻮﺿﻮع ﺗﺤﻘﯿﻖ ،دراﯾﻨﺠﺎ ﻧﺎﺣﯿﻪﺑﻨﺪي ﺑﺎ اﺳﺘﻔﺎده از ﺧﻮﺷﻪﯾﺎﺑﯽ ﻧﺎﺣﯿﻪﺑﻨﺪي ﺗﺼﻮﯾﺮ ﻣﯽﺑﺎﺷﺪ.
ﻣﻄﺮح ﻣﯽﺷﻮد .در اداﻣﻪ ﺑﻪ ﺑﺮرﺳﯽ ﻋﻤﻠﮑﺮد روش ﭘﯿﺸﻨﻬﺎدي ﺑﺎ اﺳﺘﻔﺎده از ﮐﻮاﻧﺘﯿﺰهﺳﺎزي ﺗﺼﻮﯾﺮ ﯾﮏ روﻧﺪ ﺑﺮاي ﮐﺎﻫﺶ ﺗﻌﺪاد رﻧﮓﻫﺎي ﻧﻤﺎﯾﺶ داده
ﯾﮑﯽ از اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﺟﻤﻌﯿﺖ ) (CFOﭘﺮداﺧﺘﻪ ﺧﻮاﻫﺪ ﺷﺪ .ﺑﺎﯾﺪ ﺑﻪ ﺷﺪه در ﺗﺼﻮﯾﺮ رﻧﮕﯽ دﯾﺠﯿﺘﺎﻟﯽ ﻣﯽﺑﺎﺷﺪ .در ﺑﻌﻀﯽ ﻣﻮارد ﺑﻪ ﻣﻨﻈﻮر ﮐﺎﻫﺶ
اﯾﻦ ﻧﮑﺘﻪ ﺗﻮﺟﻪ ﮐﺮد ﮐﻪ ﺗﺼﻮﯾﺮ ﺧﻮد ﯾﮏ ﻧﻤﻮﻧﻪ داده ﺑﻪ ﺻﻮرت ﻣﺎﺗﺮﯾﺲ ﻣﯽ-
ﺑﺎﺷﺪ و ﻣﯽﺗﻮان ﺑﻪ ﻋﻨﻮان ﯾﮏ داده ﺑﺮاي ﺧﻮﺷﻪ ﯾﺎﺑﯽ از آن اﺳﺘﻔﺎده ﮐﺮد.
1
Scatter
2
between-cluster swparation
3
The average Euclidean distance
4
Minkowski distance
5
1
Genetic clustering with unknown K values
2
Variable length improve genetic algorithm
6
ﻧﺘﯿﺠﻪ ﮔﯿﺮي -5
در اﯾﻦ ﺗﺤﻘﯿﻖ ﯾﮏ روش ﺟﺪﯾﺪ ﺧﻮﺷﻪﯾﺎﺑﯽ ﺧﻮدﮐﺎر ﺑﺮ ﻣﺒﻨﺎي اﻟﮕﻮرﯾﺘﻢ
ﺗﻌﺪاد ﺑﻬﯿﻨﻪ ﺧﻮﺷﻪ در ﭘﺮدازش ﺗﺼﻮﯾﺮ ﺑﺴﺘﻪ ﺑﻪ.اﯾﻤﻨﯽ ﻣﺼﻨﻮﻋﯽ اراﺋﻪ ﺷﺪ
در ﻣﻮرد ﺗﺼﻮﯾﺮ ﻣﺮد ﻋﮑﺎس و ﻓﻠﻔﻞ دﯾﺪه ﺷﺪ ﮐﻪ.ﮐﺎرﺑﺮد ﻣﺘﻔﺎوت اﺳﺖ
ﺑﺎ ﭘﯿﺪاVLIGA وK-means ﺑﻪ ﺟﻮاب اﺷﺘﺒﺎه رﺳﯿﺪه و اﻟﮕﻮرﯾﺘﻢGCUK
ﮐﺮدن ﺗﻌﺪاد ﺧﻮﺷﻪ ﺻﺤﯿﺢ ﺑﺎ اﯾﻦ ﺣﺎل ﺑﻪ ﻣﻘﺪار ﺗﺎﺑﻊ ﺑﺮآزﻧﺪﮔﯽ ﮐﻤﺘﺮي ﻧﺴﺒﺖ
- از اﯾﻦ رو ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻧﺘﯿﺠﻪ ﻧﻬﺎﯾﯽ ﻣﯽﺗﻮان ﮔﻔﺖ ﺧﻮﺷﻪ. رﺳﯿﺪﻧﺪCFO ﺑﻪ
داراي ﻋﻤﻠﮑﺮدي ﻗﺎﺑﻞ ﻣﻘﺎﯾﺴﻪ و ﺣﺘﯽ ﺑﻬﺘﺮCFO ﯾﺎﺑﯽ ﻣﺒﺘﯽ ﺑﺮ اﻟﮕﻮرﯾﺘﻢ
.ﻧﺴﺒﺖ ﺑﻪ دﯾﮕﺮ روشﻫﺎي ﻣﺸﺎﺑﻪ دارد
اﺳﺘﻔﺎدهCFO ﯾﮑﯽ از دﻻﯾﻞ ﺑﻬﺒﻮد ﻋﻤﻠﮑﺮد ﺧﻮﺷﻪﯾﺎب ﻣﺒﺘﻨﯽ ﺑﺮ اﻟﮕﻮرﯾﺘﻢ
ﺑﺎﯾﺪ ﻣﺪ ﻧﻈﺮ داﺷﺖ.ﻧﮑﺮدن از ﺗﻮاﺑﻊ ﺗﺼﺎدﻓﯽ در ﻣﯿﺎن ﺗﮑﺮارﻫﺎي اﻟﮕﻮرﯾﺘﻢ اﺳﺖ
واﺑﺴﺘﮕﯽ زﯾﺎدي ﺑﻪ ﻣﻘﺎدﯾﺮ اوﻟﯿﻪ ﺧﻮد دارد و ﻟﺬا ﺑﺎ اﻧﺘﺨﺎبCFO ﮐﻪ اﻟﮕﻮرﯾﺘﻢ
.ﺑﻬﯿﻨﻪ اﯾﻦ ﻣﻘﺎدﯾﺮ ﻣﯽﺗﻮان ﺑﻪ ﺟﻮاب ﺑﺴﯿﺎر ﻧﺰدﯾﮏ ﺑﻪ واﻗﻌﯿﺖ رﺳﯿﺪ
ﺑﻪFreeparameter CFO ﻣﺎﻧﻨﺪCFO ﺑﺎ اﺳﺘﻔﺎده از ﻧﺴﺨﻪﻫﺎي دﯾﮕﺮ
ﻧﻈﺮ ﻣﯽرﺳﺪ ﻣﺸﮑﻞ واﺑﺴﺘﮕﯽ اﻟﮕﻮرﯾﺘﻢ ﻓﻮق ﺑﻪ ﻣﻘﺎدﯾﺮ اوﻟﯿﻪ ﻧﯿﺰ ﺣﻞ ﮔﺮدد ﮐﻪ
ﻫﻤﭽﻨﯿﻦ ﻣﯽﺗﻮان.ﻣﯽﺗﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﭘﯿﺸﻨﻬﺎد ﺑﺮاي ﮐﺎرﻫﺎي آﯾﻨﺪه ﻣﻄﺮح ﺷﻮد K ( )ب،(K=4) GCUK ( ﺧﻮﺷﻪ ﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ ﻓﻠﻔﻞ )اﻟﻒ5 ﺷﮑﻞ
.(K=7) CFO( )د،(K=7) VLIGA ( )ج،(K=7) means
ﺑﺎ روﺷﻬﺎي ﻗﺪﯾﻤﯽﺗﺮ ﻋﻼوه ﺑﺮ رﻓﻊCFO ﺑﺎ ﺗﺮﮐﯿﺐ اﻟﮕﻮرﯾﺘﻢ ﭘﺮﻗﺪرت
. ﺑﻪ روﺷﻬﺎي ﺧﻮﺷﻪﯾﺎﺑﯽ ﺟﺪﯾﺪي ﻧﯿﺰ دﺳﺖ ﯾﺎﻓﺖ،ﻣﺸﮑﻼت آﻧﻬﺎ
ﺳﭙﺎﺳﮕﺰاري
ﺑﺎ ﺗﺸﮑﺮ از ﻣﻬﻨﺪس ﺣﺎﻣﺪ ﻋﺒﺪي و ﻣﻬﻨﺪس رﺿﺎ رﻣﻀﺎﻧﺰاده ﺑﻪ ﻣﻨﻈﻮر ﮐﻤﮑﻬﺎ و
.ﺗﺠﺎرب ﺑﺴﯿﺎر ﻏﻨﯽ اﯾﺸﺎن در زﻣﯿﻨﻪ ﭘﺮدازش ﺗﺼﻮﯾﺮ و ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ
ﻣﺮاﺟﻊ
[1] K.S .Tang, K.F.Man, S.Kwong and Q.He, " Genetic algorithms and
their applications", IEEE Signal Processing Magazine 13 (6), 1996.
[2] S.Kirkpatrick, , C.D.Gelatto and M.P.Vecchi, "Optimization by
simulated annealing", Science 220 (4598), 671–680. 1983.
[3] J.D. Farmer, N.H.Packard and , A.S.Perelson," The immune system,
adaptation, and machine learning", Physica D 22, 187–204. 1986.
[4] M.Dorigo, V.Maniezzo, and A.Colorni, "The Ant System: optimization
by a colony of cooperating agents.", IEEE Transaction on systems, Man,
and Cybernetics-part B, vol. 26, no.1, 1996, pp. 1-13.
[5]. J.Kennedy and R.C.Eberhart, “Particle swarm optimization”,
Proceedings of IEEE International Conference on Neural Networks, vol. 4,
1995.
[6] R.A. Formato, Central force optimization: a new nature inspired
computational framework for multidimensional search and optimization,
Studies in Computational Intelligence 129 (2008) 221–238.
ﻣﻌﺮﻓﯽ ﯾﮏ روش ﺟدﯾد ﺧوﺷﮫﯾﺎﺑﯽ ﺧودﮐﺎر ﺑر ﻣﺑﻧﺎی اﻟﮕورﯾﺗم اﯾﻣﻧﯽ، [ ﺳﯿﺪﺣﻤﯿﺪ ظﮭﯿﺮی٧]
١٣٨٧ ﺗﺎﺑﺳﺗﺎن،٢ ﺷﻣﺎره،۶ ﺳﺎل، ﻧﺷرﯾﮫ ﻣﮭﻧدﺳﯽ ﺑرق و ﻣﮭﻧدﺳﯽ ﮐﺎﻣﭘﯾوﺗر اﯾران،ﻣﺻﻧوﻋﯽ ،GCUK (K=4) (ﺧﻮﺷﻪ ﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ ﻣﺮد ﻋﮑﺎس )اﻟﻒ6 ﺷﮑﻞ
[8] Sang C. Suh, "Practical Application of DATA MINING", Jones and
Bartlett learning publishing, 2012 .CFO (K=5) ( )د،VLIGA (K=5) ( )ج،Kmeans (K=5) ()ب
[9] Esmat Rashedi, Hossein Nezamabadi-pour *, Saeid Saryazdi, "A
Gravitational Search Algorithm", Information Sciences (2009)
[10] Venkatesh Katari, "Hybridized Improved Genetic Algorithm with
Variable Length Chromosome for Image Clustering", IJCSNS International
Journal of Computer Science and Network Security, VOL.7 No.11,
November 2007,
[11] Yan-He Chen, Ya-Wei Ho, Chih-Hung Wu, Chih-Chin Lai, "Aerial
Image Clustering using Genetic Algorithm", CIMSA 2009 - International
Conference on Computational Intelligence for Measurement Systems and
Applications Hong Kong, China May 11-13, 2009,