‫‪1‬‬

‫ﺧﻮﺷﻪﯾﺎﺑﯽ ﺧﻮدﮐﺎر ﺗﺼﻮﯾﺮ ﺑﺮ ﻣﺒﻨﺎي اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزي ﻧﯿﺮوي ﻣﺮﮐﺰي‬

‫)‪(PRIA 2012‬‬
‫ﻣﺤﻤﺪ ﺣﺎﻣﺪ ﻣﻈﻔﺮي‪ ،‬ﺳﯿﺪ ﺣﻤﯿﺪ ﻇﻬﯿﺮي‬

‫روشﻫﺎ اﻟﮕﻮرﯾﺘﻢ وراﺛﺘﯽ‪ 2‬ﺑﺎ اﻟﻬﺎم از ﻋﻠﻢ وراﺛﺖ و ﺗﮑﺎﻣﻞ )‪ ،(1975‬ﮔﺪاﺧﺖ‬

‫‪‬‬

‫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

‫ﻣﺤﻤﺪ ﺣﺎﻣﺪ ﻣﻈﻔﺮي‪ ،‬داﻧﺸﮕﺎه ﺑﯿﺮﺟﻨﺪ‪ ،‬داﻧﺸﮑﺪه ﺑﺮق و ﮐﺎﻣﭙﯿﻮﺗﺮ‪ ،‬ﺑﯿﺮﺟﻨﺪ‬

‫‪2‬‬
‫)‪Genetic algorithm (GA‬‬ ‫)‪(email: hamed.mozaffari2@yahoo.com‬‬
‫‪3‬‬
‫)‪Simulated annealing (SA‬‬ ‫دﮐﺘﺮ ﺳﯿﺪ ﺣﻤﯿﺪ ﻇﻬﯿﺮي‪ ،‬داﻧﺸﮕﺎه ﺑﯿﺮﺟﻨﺪ‪ ،‬داﻧﺸﮑﺪه ﺑﺮق و ﮐﺎﻣﭙﯿﻮﺗﺮ‪ ،‬ﺑﯿﺮﺟﻨﺪ‬
‫‪4‬‬
‫‪Tabu search‬‬ ‫)‪(email: shzahiri@yahoo.com‬‬
‫‪5‬‬
‫‪Artificial Immune system algorithm‬‬
‫‪6‬‬
‫)‪Ant colony optimization algorithm (ACO‬‬
‫‪7‬‬
‫‪Particle swarm optimization‬‬
‫‪8‬‬ ‫‪1‬‬
‫)‪Central Force Optimization (CFO‬‬ ‫‪Heuristic‬‬
‫‪2‬‬

‫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 jp1‬ﺑﻪ ‪ 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 nj1  M jp1 M nj1  M jp1 R nj1  R jp1‬‬ ‫‪‬‬
‫‪‬‬ ‫‪ ‬‬
‫ارﺗﺒﺎط ﺑﯿﻦ ﺷﺒﺎﻫﺖ و ﻋﺪمﺷﺒﺎﻫﺖ را ﺑﺎ ﺑﯿﺎنﻫﺎي ﻣﺘﻔﺎوت ﻣﻄﺮح ﮐﺮدهاﻧﺪ‪ .‬ﺑﺮاي‬ ‫‪R nj1  R jp1‬‬
‫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 jp1  a jp1t 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 ‫‪xC 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 ‫‪xC 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, ji ‬‬

‫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

‫ﺑﺮرﺳﯽ ﻋﻤﻠﮑﺮد روش ﭘﯿﺸﻨﻬﺎدي و ﻣﻘﺎﯾﺴﻪ آن ﺑﺎ‬ ‫‪-4‬‬

‫دﯾﮕﺮ روشﻫﺎي ﺧﻮﺷﻪﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ‬
‫در اﯾﻦ ﺑﺨﺶ ﺑﻪ ﺑﺮرﺳﯽ ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺸﺎت ﻣﺨﺘﻠﻔﯽ ﮐﻪ ﺑﺮ روي ﯾﮏ ﺳﺮي‬
‫ﺗﺼﺎوﯾﺮ اﺳﺘﺎﻧﺪار اﻧﺠﺎم ﺷﺪه ﭘﺮداﺧﺘﻪ و ﻧﻬﺎﯾﺘﺎ ﺑﺎ روشﻫﺎي دﯾﮕﺮ در اﯾﻦ زﻣﯿﻨﻪ‬
‫ﻣﻘﺎﯾﺴﻪ ﺧﻮاﻫﺪ ﺷﺪ‪ .‬در ﻫﺮ ﺗﮑﺮار از اﻟﮕﻮرﯾﺘﻢ اﺑﺘﺪا از ‪ 2‬ﺧﻮﺷﻪ ﺷﺮوع و ﺣﺪاﮐﭙﺮ‬
‫ﺷﮑﻞ ‪ 1‬ﺗﺼﻮﯾﺮ اﺻﻠﯽ و ﻧﻤﻮدار ﻫﯿﺴﺘﻮﮔﺮام ﻣﺮد ﻋﮑﺎس‬ ‫ﺗﺎ ‪ 20‬ﺧﻮﺷﻪ ﺑﻪ ﺻﻮرت ﺗﺼﺎدﻓﯽ ﺗﻮﺳﻂ اﻟﮕﻮرﯾﺘﻢ ‪ CFO‬اﻧﺘﺨﺎب ﺷﺪه و ﺗﺎﺑﻊ‬
‫ﻫﺪف اﻟﮕﻮرﯾﺘﻢ ﻧﯿﺰ ﻫﻤﺎن ﻣﻌﯿﺎر ‪ DB‬ﻣﯽﺑﺎﺷﺪ‪ .‬ﻧﻬﺎﯾﺘﺎ ﻫﺪف ﻣﯿﻨﯿﻤﻢ ﮐﺮدن ﻣﻘﺪار‬
‫ﺗﺎﺑﻊ ‪ DB‬اﺳﺖ‪.‬‬
‫‪1‬‬
‫در اﯾﻦ آزﻣﺎﯾﺶ ﻧﺘﺎﯾﺞ ﺑﺎ اﻟﮕﻮرﯾﺘﻢﻫﺎي ﺧﻮﺷﻪﯾﺎﺑﯽ ‪ GCU K ،K-means‬و‬
‫‪ VLIGA2‬ﻣﻘﺎﯾﺴﻪ ﺷﺪه ﮐﻪ ﻫﻤﮕﯽ داراي ﺗﺎﺑﻊ ﻫﺪف ﯾﮑﺴﺎن ﻫﺴﺘﻨﺪ و ﺑﺮ روي‬
‫روي ﯾﮏ ﺳﺮي داده ﯾﮑﺴﺎن ﻋﻤﻞ ﺷﺪه اﺳﺖ‪ .‬ﺗﺼﺎوﯾﺮ اﺳﺘﺎﻧﺪارد در اﻧﺪازهﻫﺎي‬
‫‪ 256 256‬و ﺑﻪ ﺻﻮرت ﺳﯿﺎه و ﺳﻔﯿﺪ ﺑﻮده و ﻣﯿﺰان ﺷﺪت روﺷﻨﺎﯾﯽ ﻫﺮ‬
‫ﺷﮑﻞ ‪2‬ﺗﺼﻮﯾﺮ اﺻﻠﯽ و ﻧﻤﻮدار ﻫﯿﺴﺘﻮﮔﺮام ﻓﻠﻔﻞ ﺳﺒﺰ‬ ‫ﺗﺼﻮﯾﺮ ﺑﻪ ﻋﻨﻮان وﯾﮋﮔﯽ ﺑﺮاي ﻋﻤﻞ ﺧﻮﺷﻪﯾﺎﺑﯽ ﺗﻌﯿﯿﻦ ﺷﺪه اﺳﺖ‪ .‬ﺑﺮاي ﮐﺎﻫﺶ‬
‫ﻣﺤﺎﺳﺒﺎت و ﮐﺎﻫﺶ ﺣﺠﻢ ﺑﺎﻻي اﻃﻼﻋﺎت از ﻫﯿﺴﺘﻮﮔﺮام ﺗﺼﺎوﯾﺮ ﺑﻪ ﺟﺎي ﺧﻮد‬
‫ﺗﺼﺎوﯾﺮ اﺳﺘﻔﺎده ﺷﺪ‪ .‬اﺷﮑﺎل ‪ 1‬ﺗﺎ ‪ 3‬ﺗﺼﺎوﯾﺮ اﺻﻠﯽ و ﺑﺪون ﺗﻐﯿﯿﺮ ﺑﻪ ﻫﻤﺮاه‬
‫ﻧﻤﻮدار ﻫﯿﺴﺘﻮﮔﺮام آﻧﻬﺎ ﻣﯽﺑﺎﺷﻨﺪ‪ .‬ﻧﺘﺎﯾﺞ اﯾﻦ آزﻣﺎﯾﺶ در ﺷﮑﻞﻫﺎي ؟ ﺗﺎ ؟‬
‫ﺑﯿﺎﻧﮕﺮ ﻋﻤﻠﮑﺮد ﺻﺤﯿﺢ روش ﭘﯿﺸﻨﻬﺎدي اﺳﺖ‪ .‬ﺑﺮاي اﻟﮕﻮرﯾﺘﻢ ‪ GCUK‬از‬
‫ﻧﺮخ ﺗﺮﮐﯿﺐ ‪ %80‬و ﻧﺮخ ﺟﻬﺶ ‪ %0.02‬اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ‪ .‬ﺗﻌﺪاد ﺗﮑﺮار در ﻫﻤﻪ‬
‫اﻟﮕﻮرﯾﺘﻢﻫﺎ ‪1000‬اﻧﺘﺨﺎب ﺷﺪه اﺳﺖ‪.‬‬
‫ﺷﮑﻞ ‪ 3‬ﺗﺼﻮﯾﺮ اﺻﻠﯽ و ﻧﻤﻮدار ﻫﯿﺴﺘﻮﮔﺮام ﻟﻨﺎ‬
‫در ﺟﺪول ؟ ﻧﺘﺎﯾﺞ ﺑﺎ اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻣﺨﺘﻠﻒ ﻣﻘﺎﯾﺴﻪ ﺷﺪه اﺳﺖ‪.‬‬

‫ﺟﺪول ‪ :1‬اﻧﺪازه و ﻧﻮع ﻗﻠﻢﻫﺎ ي ﻓﺎرﺳﯽ‬

‫‪CFO‬‬ ‫‪GCU K‬‬ ‫‪K-‬‬ ‫‪VLIGA‬‬
‫‪Image‬‬ ‫‪means‬‬

‫‪PEPPERS‬‬ ‫‪DB‬‬ ‫‪0.4880‬‬ ‫‪0.5343‬‬ ‫‪0.5498‬‬ ‫‪0.5192‬‬

‫‪No. of‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪7‬‬
‫‪Clusters‬‬
‫‪Lena‬‬ ‫‪DB‬‬ ‫‪0.4635‬‬ ‫‪0.5309‬‬ ‫‪0.5498‬‬ ‫‪0.5203‬‬
‫‪No. of‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪Clusters‬‬
‫‪Cameraman‬‬ ‫‪DB‬‬ ‫‪0.4621‬‬ ‫‪0.4623‬‬ ‫‪0.6050‬‬ ‫‪0.4262‬‬
‫‪No. of‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬
‫‪Clusters‬‬

‫ﺷﮑﻞ ‪ 4‬ﺧﻮﺷﻪ ﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ ﻟﻨﺎ )اﻟﻒ( ‪) ،GCUK‬ب( ‪) ،K means‬ج(‬

‫‪) ،VLIGA‬د( ‪ CFO‬ﻫﻤﮕﯽ داراي ‪K=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,