عنوان الإطروحه
Developing Clustering based on Genetic Algorithm for Global Optimization
تاريخ مناقشة الاطروحه
2014-12-30
اسم الطالب
زينب محمد منيزل عليمات
المشرف
خالد محمد عبدالرحمن بطيحة
المشرف المشارك
اعضاء لجنة المناقشة
عمر علي شطناوي
اسماعيل محمد عبابنة
جلال يوسف العتوم
الكلية
كلية الامير الحسين بن عبدالله لتكنولوجيا المعلومات
القسم
علم الحاسوب
الملخص بالعربية
في الآونة الأخيرة, انتشرت قواعد البيانات بشكل كبير جدا, لذلك اصبح هناك حاجة لاستخدام تقنيات جديدة لاستخراج هذه البيانات على شكل انماط ومعلومات مفيدة, ومن هذه التقنيات التنقيب عن البيانات بأشكالها المتعددة, وفي هذا البحث تناولنا طريقة العناقيد. وتعتبر العناقيد من الطرق المنتشرة بشكل واسع خصوصا لقواعد البيانات الكبيرة واعتمدنا في هذا البحث على خوارزمية (k-mean algorithm) لاستخراج البيانات ولكن من عيوب هذه الخوارزمية هي البحث في جزء من نطاق البيانات وليس الكل, لذلك قمنا بدمج هذه الخوارزمية مع الخوارزمية الجينية التي تتميز بإيجاد الحلول المثلى العامة التي تشمل كافة نطاق البيانات و الهدف من هذا الدمج هو زيادة فاعلية الخوارزمية وجعلها أكثر كفاءة وفاعلية لإيجاد الحلول المثلى العامة. وكانت نتائج التقويم للخوارزمية المقترحة اكثر كفاءة وفاعلية مقارنة بالخوارزمية التي تعتمد نفس المبدأ.
الملخص بالانجليزي
Nowadays, databases are widely used over the world. The huge amount of data requires modern methods to make it useful meaning of information, clustering is one of the techniques that collects similar objects then put them in groups. Clustering is an approach appropriate for extracting useful meaning in large database. K-mean clustering is an algorithm characterized by simplicity and easy to implement and provides good results. However, it suffers from being trapped in local optimal solution. Some hybrid between two algorithms aims to combine the advantages of two algorithms to make optimization. In this thesis, we propose applying the same hybrid between k-mean clustering and Differential Evolution (DE) called Clustering based Differential Evolution CDE, but in the proposed method, we use Genetic Algorithm (GA) instead of Differential Evolution to find a global optimal solution. This proposed method called Clustering based on Genetic Algorithm for Global Optimization (CGAGO), then we compare between them. In addition, we use a parameter called cluster period to improve k-mean clustering, in terms of finding the global optimum. Moreover, we test eleven Benchmark functions to validate the proposed method. Experimental results show that the proposed method CGAGO is slightly better and effective than CDE
رقم ISN
4362
للحصول على الرسالة كملف يرجى تزويد المكتبة برقم ISN