الگوريتمي جديد براي خوشه‎بندي داده‎ها با استفاده از آتوماتاي يادگير سلولي دو بعدي

A new algorithm for data clustering using two-dimensional cellular learning automata

شبكه سلولي دو بعدي يك ابزار مهم براي انجام عمل خوشه‎بندي، بر روي داده‌ها است. براي خوشه‌بندي در سطح شبكه، با دو چالش اصلي مواجه هستيم: چالش اول تفكيك يا جداسازي داده‌هاي مشابه بوده و چالش دوم مشخص كردن تعداد خوشه‌ها از روي داده‌هاي تفكيك شده است. در اين مقاله با استفاده از آتوماتاي يادگير سلولي دوبعدي، الگوريتمي به نام LACA براي حل چالش‎هاي اشاره شده پيشنهاد مي‎شود. در روش پيشنهادي، آتوماتون يادگير تخصيص يافته به هر سلول مي‌تواند همزمان با مشخص كردن مسير حركت داده براي يافتن داده‌هاي مشابه، خوشه‌ي مناسب با آن داده را از روي همسايگي‌هاي آن تعيين كند. همچنين در صورت نامناسب بودن خوشه مربوطه، هر داده با استفاده از آتوماتاي همسايه‌هاي خود، مي‌تواند مسير صحيح حركت خود را براي خروج از آن خوشه، مشخص كند. با اين‌كار جستجوي تصادفي در سطح شبكه كاهش پيدا مي‌كند. براي رسيدن به اين اهداف تنها از يك قانون محلي ساده براي هر سلول استفاده خواهد شد. الگوريتم پيشنهادي با بسياري از الگوريتم‌هاي مطرح در اين زمينه مورد مقايسه قرار گرفته و نتايج شبيه‎سازي‎ها بر روي مجموعه داده‎هاي واقعي نشان دهنده كارايي بالاي روش پيشنهادي در اين زمينه است.

A two dimensional cellular network is an important tool for clustering on data. For network-level clustering, we face two main challenges: the first challenge is to separate or separate the same data, and the second challenge is to identify the number of clusters from the data. In this paper, using a two dimensional cell learning automaton, an algorithm called LACA is proposed to solve the mentioned challenges. In the proposed method, the learning automaton allocated to each cell can simultaneously determine the path of the data movement to find similar data, and determine the appropriate cluster with that data from its neighborhoods. Also, if the cluster is inappropriate, each data using its neighbors automata can determine its correct path to exit the cluster. This reduces random searches at the network level. To achieve these goals, only a simple local law will be used for each cell. The proposed algorithm is compared with many of the proposed algorithms in this field and the simulation results on the actual data set represent the efficiency of the proposed method in this field