عنوان مقاله :
توسعه يك روش هوشمند خوشه‌بندي چندمعياره مبتني بر پرامتي
عنوان به زبان ديگر :
Developing an Intelligent Multi Criteria Clustering Method Based on PROMETHEE
پديد آورندگان :
دانشور، امير دانشگاه آزاد اسلامي واحد الكترونيكي، تهران، ايران , همايون فر، مهدي دانشگاه آزاد اسلامي واحد رشت، رشت، ايران , فرهمندنژاد، آنيا دانشگاه آزاد اسلامي واحد الكترونيكي، تهران، ايران
كليدواژه :
خوشه‌بندي چندمعياره , الگوريتم ژنتيك , الگوريتم K-ميانگين , شاخص سيلوئت , پرامتي
چكيده فارسي :
در سال‌هاي اخير مسئله جديدي با عنوان «خوشه‌بندي چندمعياره» ظهور كرده كه هدف آن، دسته‌بندي گزينه‌ها در گروه‌هاي همگني به نام خوشه با توجه به معيارهاي ارزيابي متفاوت است. در ادامه پژوهش‌هاي انجام‌گرفته در مباني نظري، پژوهش حاضر با تركيب الگوريتم K- ميانگين و تكنيك پرامتي، به‌دنبال توسعه يك روش جديد خوشه‌بندي چندمعياره است. پارامترهاي مسئله، پروفايل‌هاي جداكننده خوشه‌ها هستند كه براي بهينه‌سازي آنها از الگوريتم ژنتيك استفاده شده است. براي تنظيم پارامترهاي ژنتيك نيز از روش تاگوچي استفاده مي‌شود. در اين مدل‌سازي، متغيرها در هر مرحله از به‌روزرساني جواب‌ها، با توجه به فاصله امتياز جريان خالص خود از پروفايل‌ها به نزديك‌ترين خوشه تخصيص مي‌يابند. عملگر جهش نيز صرفاً زماني اعمال مي‌شود كه ميزان شباهت كروموزوم‌ها در هر جمعيت به حد خاصي برسد كه اين هوشمندسازي موجب كاهش زمان محاسباتي شده است. درنهايت با اجراي روش پيشنهادي بر روي چند نمونه مسائل تصادفي مالي، عملكرد آن با ساير الگوريتم‌هاي شناخته‌شده خوشه‌بندي مقايسه شده است. نتايج نشان مي‌دهد كه روش پيشنهادي ضمن تعيين تعداد بهينه خوشه‌ها، در مقايسه با ساير الگوريتم‌ها، جواب‌هاي دقيق‌تري ارائه مي‌دهد.
چكيده لاتين :
In recent years, a new issue called "multi-criteria clustering" has emerged that aims at grouping alternatives into homogeneous classes called clusters according to different evaluation criteria. Following the related studies in literature, by combining K-means algorithm and PROMETHEE technique, this paper aims to present a new multi-criteria clustering method. The parameters of the problem are the cluster separator profiles which genetic algorithm (GA) is used to optimize them. In the modeling process in each stage of updating responses, alternatives allocate to the nearest cluster according to the distance of their pure flow of privileges from the profiles. The mutation operator is only applied when the chromosomes’ similarity level in each population reaches to a certain level which this intelligence reduces the computation time. Finally, by simulating the proposed algorithm and some well-known clustering algorithms based on the several financial databases the efficiency of the algorithm compared to other algorithms. The results show the algorithm, in addition to determine the optimal number of clusters in comparison to other algorithms, also provides better results.
عنوان نشريه :
چشم انداز مديريت صنعتي
