افزایش کارايی الگوريتمهای کلاسترینگ مبتنی بر روش يادگيری تقويتی - Artificial Intelligence

**Astaraki** · ۱۲-۲۳-۱۳۸۸, ۰۷:۱۲ قبل از ظهر

افزایش کارايی الگوريتمهای کلاسترینگ مبتنی بر روش يادگيری تقويتی

يك الگوريتم خوشه بند ي، نمونه هاي موجود در يك فضاي داده را بر اساس ويژگي هايشان به گروههاي متمايز دسته بندي مي كند . ار آنجا كه نمونه ها هيچ گونه اطلاعاتي در ارتباط با كلاس واقعيشان به همراه ندارند، تكنيك خوشه بندي جزء روشهاي يادگيري بدون ناظر قلمداد مي شود . روشهاي زيادي براي بهبود كارايي تكنيكهاي خوشه بندي ارائه شده اند . يكي از روشهاي نوين پيشنهاد شد ه، استفاده از ايدة يادگيري تقويتي براي ارتقاء كارايي روشهاي خوشه بندي متداول است . يادگيري تقويتي بين دو روش يادگيري با ناظر و بدون ناظر طبقه بندي مي شود . در اين حالت اگر چه نمونه ها برچسب كلاس ندارند، ولي به ازاي دسته بندي مطلوب يا نا مطلوب نمونه ها ، از سوي محيط يادگيري تقويتي، پاداش يا تنبيه متناسب با آن دسته بندي دريافت مي شود . در اين مقاله نيز از ايدة يادگيري تقويتي براي افزايش كارايي الگوريتم خوشه بندي k-means استفاده شده است . نوآوري به كار رفته در اين مقاله استفاده از الگوريتم ژنتيك به موازات روش يادگيري تقويتي با هدف افزايش هر چه بيشتر كارايي الگوريتم خوشه بندي k-means ميباشد . نتايج به دست آمده حاكي از آن است كه استفاده از الگوريتم ژنتيك به موازات روش يادگيري تقويتي در مقايسه با شيو ه هاي متدا ول استفاده از روش يادگيري تقويتي، تاث ير بيشتري در افزايش كارايي الگوريتمهاي خوشه بندي دارد .