همان­طور که قبلاً اشاره گردید، روش­های مبتنی بر رفتار گروهی موجودات زنده در مقایسه با دیگر روش­های بهینه­سازی بر روی برخی مسائل دارای کارایی بهتری می­باشند . به همین دلیل، گرایش زیادی برای استفاده از این روش­ها وجود دارد. در این تحقیق از روش جدیدی مبتنی بر ترکیب دو الگوریـتم خفاش وFuzzy c-means ، برای خوشــه­بندی اطلاعات استفاده خواهد شد. در واقع هدف این است که داده ­های موجود را بتوان به­نحوی با حداقل خطا خوشه­بندی نمود. در این راستا، سعی بر آن است تا مزایای هر دو الگوریتم را به کار گرفته و داده ­ها را به گونه ­ای خوشه بندی کنیم که حداکثر شباهت بین داده ­های یک گروه برقرار باشد و از طرفی داده ­های موجود در گروه های مجزا کمترین شباهت را داشته باشند.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

روش Fuzzy c-means در کنار مزایایی چون همگرا یی و بدون نظارت بودن، معایبی نیز دارد. این معایب را به اختصار می­توان به صورت زیر بیان کرد:
وابستگی به شرایط اولیه: انتخاب مقادیر اولیه در این روش پاسخ نهایی را دستخوش تغییرات قرار می­دهد و خوشه­های به­دست آمده بنا به مقادیر اولیه بسیار متفاوت خواهند بود.
همگرایی به نقاط بهینه محلی
جهت مرتفع نمودن این معایب، در تحقیقات اخیر ایده­های متفاوتی بیان گردیده است که تا حد قابل قبولی کارساز بوده است. از کارهای انجام شده می­توان به ترکیب این الگوریتم با الگوریتم­های اجتماع پرندگان، الگوریتم ممتیک، ژنتیک و آبکاری فولاد اشاره کرد. در این پایان نامه جهت رفع معایب ذکر شده در الگوریتم Fuzzy c-means از ترکیب این الگوریتم با الگوریتم خفاش استفاده شده است.
۴-۲- خوشه بندی اطلاعات مبتنی بر روش ترکیبی پیشنهادی
در اینجا کاربرد الگوریتم پیشنهادی که مبتنی بر ترکیب الگوریتم بهبود یافته رقابت خفاش و Fuzzy c-means می­باشد جهت خوشه­بندی اطلاعات توضیح داده خواهد شد. هدف این است که داده ­های موجود درخوشه­های مناسب دسته­بندی شده و در این راستا نیز مراکز خوشه و ماتریس تعلق تعیین گردند. مراحل این روش در ادامه ذکر خواهند شد.
مرحله­ اول: تولید جمعیت اولیه
ابتدا جمعیت اولیه به صورت تصادفی تولید می­گردد.
(۴-۱)
Population=[X₁ X₂ . . . X_N] N=1,2,…,number of population
sol(X_i)=[ center₁ , center₂ , . . . ,center_c] c=1,2,…,number of cluster
center=[y₁ y₂ . . . y_d] d=1,2,…,number of feature
هرX، نمایانگر یک خفاش می­باشد. هر خفاش در ابتدا در یک موقعیت تصادفی sol(X_i)
centerنشان دهنده مرکز خوشه است که از موقعیت خفاش­ها گرفته شده است. c و d و N به ترتیب تعداد خوشه ­ها، بعد مراکز خوشه و تعداد جمعیت خفاش­ها می باشد.
مرحله­ دوم: تولید بردار متضاد  برای هر عضو از اعضای جمعیت
مرحله­ سوم: ارزیابی تابع هدف
ابتدا ماتریس تعلق به صورت تصادفی مقدار­دهی اولیه می­ شود. سپس تابع هدف یک­بار با بهره گرفتن از X_i به عنوان مرکز خوشه ­ها و بار دیگر با بهره گرفتن از  ، برای هر دیتای ورودی، محاسبه می­گردد. . حال اگر  دارای تابع هدف بهتری نسبت به  باشد جایگزین آن می‌شود.
(۴-۲)
n، تعداد داده ­های ورودی است و v مرکز خوشه است.
مرحله­ چهارم: مرتب­سازی جمعیت اولیه بر اساس تابع هدف
جمعیت، براساس مقدار تابع هدف به صورت صعودی مرتب می­ شود. سپس موقعیت خفاشی که تابع هدف را می­نیمم می­ کند، به عنوان بهترین موقعیت در نظر گرفته می­ شود.
X₁ J₁ X₂ J₂
X_sort = . .
. .
X_N J_N

• • مرحله­ پنجم: انتخاب یکی از دو استراتژی جهش

در ابتدای هر تکرار یکی از دو نوع جهش توسط هر خفاش انجام شده، موقعیت جدید به­دست آمده طبق رابطه (۱۸-۳) با بردار اولیه ترکیب می­ شود. حال اگر بردار جدید تابع هدف کوچکتری نسبت به بردار اولیه داشته باشد جایگزین آن می‌شود، در غیر این صورت الگوریتم با همان بردار اولیه به کار خود ادامه می‌دهد.

• • مرحله ششم: به­روزرسانی موقعیت­ها با اجرای الگوریتم خفاش

در این مرحله موقعیت­ها با اجرای الگوریتم خفاش به­روز می­گردد.
مرحله هفتم: اجرای الگوریتم Fuzzy c-means
بعد از به­روزرسانی موقعیت­ها، موقعیت به­روز شده به عنوان مراکز جدید خوشه ­ها در نظر گرفته می­ شود. با بهره گرفتن از این مراکز، ماتریس تعلق داده ­ها با کمک روابطی که پیشتر برای الگوریتم Fuzzy c-means ذکر شد، به­روز می­ شود و مجدداً تابع هدف محاسبه می­گردد.
مرحله­ هشتم: اعمال جستجوی محلی بر روی موقعیت جدید
برای فرار از گیر کردن در بهینه محلی، بعد از به­روز شدن موقعیت­ها، جستجوی محلی انجام می­گیرد. این جستجو در دو مرحله انجام می­ شود :

• • مرحله­ اول: جستجوی محلی اتخاذ شده از الگوریتم PSO

• • مرحله­ دوم: جستجوی محلی اتخاذ شده از الگوریتم SA

مرحله­ نهم: اجرای الگوریتم Fuzzy c-means
موقعیت به دست آمده از جستجوی محلی به عنوان مراکز کلاستر در نظر گرفته شده و مطابق با الگوریتم FCM ، تابع هدف محاسبه می­ شود.
مرحله­ دهم: پذیرفتن موقعیت جدید و به­روزرسانی دامنه و نرخ ارسال پالس