وبلاگ

در [۱۲۸] روش جدیدی در خوشه­بندی با بهره گرفتن از ICA ارائه‌شده است. هدف این الگوریتم غلبه بر مشکـل به دام افتـادن در بهینه محلی در الگوریتم k-means است. در این مقـاله پس از تشکیـل امپراتوری‌های اولیه الگوریتم k-means بر روی هر یک از امپراتوری‌ها اجرا می­ شود. در این قسمت، دو روش متفاوت برای اجرای k-means پیشنهاد شده است:

MICA-k: در این روش ابتدا جمعیت اولیه به صورت تصادفی تولید می­گردد؛ سپس الگوریتم رقابت استعماری بر روی این جمعیت تولید شده، اجرا شده و تا جایی ادامه می­یابد که تنها یک عضو باقی بماند، این عضو بهترین پاسخ ممکن است. جواب نهایی، به‌عنوان مقدار ورودی الگوریتم K-means در نظر گرفته می­ شود.
K-MICA: در این روش بعد از تولید جمعیت اولیه، الگوریتم k-means بر روی داده ­های موجود اجرا می­گردد. با استفاده ازاین‌روش، در تکرارهای متوالی مراکز خوشه بدست خواهد آمد؛ که به‌عنوان جمعیت اولیه الگوریتم رقابت کشورهای استعماری توسعه یافته در نظر گرفته خواهد شد.
پس از این مرحله، فرایند ICA اجرا شده تا جایی که تعداد بهینه خوشه ­ها تعیین شود.
قنواتی و همکاران در سال ۲۰۱۱ در [۱۲۹]، از الگوریتم رقابت استعماری برای تعیین تعداد بهینه خوشه ­ها در فرایند خوشه­بندی استفاده کردند. در این مطالعه، ۶ گام برای تعیین تعداد خوشه ­ها معرفی شده است؛ این ۶ گام عبارتند از:
ایجاد کشورهای اولیه: تعداد کشور اولیه بایستی ایجاد شود، که در آن N تعداد ویژگی­های هر کشور و K حداکثر تعداد خوشه­هاست. در اولین درایه آرایه(کشور) تعداد خوشه ­ها قرار داده می­ شود و در سایر درایه­ها یک عدد تصادفی بین ۰ و ۱٫
ایجاد امپراتوری­های اولیه: برای ایجاد امپراتوری‌های اولیه بایستی ابتدا کشورهای قوی تعیین شوند. برای تعیین ارزش هر یک از کشورها و تعیین استعمارگرها و تشکیل امپراتوری‌های اولیه از K-means استفاده شده است. بدین صورت که با توجه به ویژگی­های هر کشور، خوشه­بندی صورت گرفته و سپس با بهره گرفتن از رابطه ۲-۳۷ قدرت هر یک از کشورها تعیین شده است.

اعمال سیاست جذب.
انقلاب.
ارزیابی هزینه­ های جدید.
رقابت استعماری.

الگوریتم کلونی مورچگان

زندگی اجتماعی مورچه­ها یکی از جالب­ترین و جذاب­ترین زندگی موجودات است. هدف مورچه­ها در زندگی اجتماعی حفظ و توسعه تمام جنبه­ های لانه(کلونی) موجود است. یکی از مهم‌ترین و جالب­ترین رفتار مورچه­ها، عملکرد آن‌ها در یافتن غذا است. در این فرایند مورچه­ها بدنبال یافتن غذا با کوتاه­ترین مسیر می­روند. در ابتدای کار، تعدادی از مورچه­ها به‌طور تصادفی شروع به جست­وجو می­ کنند. اولین مورچه­ای که غذا را پیدا کند به سمت کلونی برمی‌گردد و در طی مسیر برگشت ردّی از خود برجای می­ گذارد. این ردّ با بهره گرفتن از ماده­ای از جنس  فرومون^[۱۲۹] ایجاد می­گردد. مورچه‌های دیگر وقتی این مسیر را می‌یابند آن را دنبال کرده و به سمت مکان غذا حرکت می­ کنند. این مورچه­ها نیز درصورتی‌که غذایی را پیدا کنند آن را برداشته و به سمت کلونی حرکت کرده و فرومون از خود بجای می­گذارند. با انجام این عمل، فرومون موجود در مسیر تقویت شده و احتمال انتخاب مسیر بیشتر می­ شود. . لذا مورچه­ها معمولاً به مسیری خواهند رفت که، تعداد بیشتری مورچه قبلاً در آن مسیر تردد کرده باشند.
الگوریتم کلونی مورچه(ACO^[130]) الهام گرفته شده از مطالعات و مشاهدات بر روی کلونی مورچه­هاست. هدف این الگوریتم، یافتن پاسخ­های نزدیک به پاسخ اصلی می­باشد که در این راه از تولید فرمون­های مصنوعی و شبیه­سازی رفتار گروهی مورچه­ها و ارتباطات غیرمستقیم آن‌ها استفاده می­ کنند.
در سال ۲۰۰۹ در [۱۳۰]، ژو و همکاران از ACO به‌منظور حل مشکلات الگوریتم k-means استفاده کردند. الگوریتم ترکیبی ACO و K-means در ادامه شرح داده شده است:
مقداردهی اولیه پارامترها: تعیین تعداد خوشه ­ها و مراکز اولیه.
قرار دادن مقدار فرومون برابر در هر مسیر.
هر یک از k مورچه با احتمال P به یکی از مراکز اولیه نزدیک می­شوند؛ رابطه ۲-۳۸ نشان‌دهنده روش محاسبه احتمال P است.

در رابطه بالا، i نقطه شروع و j مرکز موردنظر و nc تعداد مراکز است.
بروز رسانی فرومون با بهره گرفتن از رابطه ۲-۳۹٫

محاسبه TWCV. اگر مقدار TWCV تغییر کرد، آنگاه بازگشت به مرحله ۳؛ در غیر اینصورت چنانچه مقدار TWCV کوچک­تر از کوچک‌ترین TWCV است با آن جانشین می­ شود.
ایجاد اختلال به‌منظور جلوگیری از به دام افتادن در بهینه محلی.
اگر به جواب بهینه نرسیده بازگشت به مرحله ۳ و در غیر اینصورت توقف.
ژو و همکاران [۱۳۰]، با بهره گرفتن از الگوریتم بالا اقدام به خوشه­بندی مشتریان یک شرکت ارائه‌دهنده خدمات بی­سیم کردند.در این مطالعه از داده ­های رفتاری، جمعیتی، جغرافیایی و نگرشی مشتریان استفاده شده است.