ارائه مدلی برای تعیین ارزش مسافران در بستر الکترونیکی در صنعت حمل¬ونقل هوایی- قسمت ۲۱ | ... | |
در رابطه بالا، بیانگر تعیین میزان فاصله هر داده نسبت به مرکز خوشه موردنظر میباشد.
برای دانلود متن کامل پایان نامه به سایت tinoz.ir مراجعه کنید.
جواب نهایی الگوریتم به انتخاب مراکز اولیه وابسته است(همگرایی به بهینه محلی)؛ چنانچه در مجموعه داده ها، داده های پِرت وجود داشته باشد و یا مراکز خوشه ها بهخوبی انتخاب نشوند آنگاه الگوریتم به پاسخی میرسد که پاسخ درستی نیست. برای حل این مشکل میتوان الگوریتم را چندین مرتبه بر روی داده های موردنظر پیادهسازی کرد. روشی دقیقی برای تعیین مراکز اولیه وجود ندارد. چنانچه در طی فرایند پیادهسازی الگوریتم، تعداد داده های متعلق به یک خوشه صفر شود، هیچ راهی برای بهبود و تصحیح روند وجود ندارد. با توجه به ایـن مشکلـات، امـروزه از الگوریتـمهای تکامـلی در کنار K-means بسیـار استفاده میشـود. الگوریتمهای تکاملی با توجه به ماهیت تکمیل شوندهای که دارند، میتوانند مشکلات الگوریتم K-means را بهخوبی برطرف نمایند. در ادامه الگوریتمهای تکاملی معرفی و نحوه تعامل آن ها با الگوریتم K-means شرح داده شده است.
الگوریتم های تکاملی قانون انتخاب طبیعی به این صورت است که تنها گونههایی از یک جمعیت ادامه نسل میدهند که بهترین خصوصیات را داشته باشند و آن هایی که این خصوصیات را نداشته باشند بهتدریج و در طی زمان از بین میروند. مبنای کار الگوریتمهای تکاملی نیز به همینگونه است. الگوریتمهای تکاملی دستهای از الگوریتمهای موجود هستند که با ایجاد یک جمعیت اولیه شروع کرده و بهمرورزمان سعی می کنند تا جوابها را بهبود بخشیده و بهینهترین پاسخ را تولید کنند. الگوریتمهای تکاملی این توانایی را دارند که با کمترین دانش موجود، بیشترین کارایی و بهترین جوابها را ایجاد کنند.
جستجو[۱۱۰]: مفهوم جستجو به معنای توانایی الگوریتم در تولید پاسخهای جدید و ناشناخته در فضای جستجو است. مفهوم جستجو از به دام افتادن الگوریتم در بهینههای محلی جلوگیری می کند. بهترین الگوریتم در جستجوی فضاهای جدید الگوریتم جستجوی تصادفی[۱۱۱] است. بهمنظور پیادهسازی این مفهوم در هر الگوریتم تکاملی یک گام برای جستجوی فضاهای ناشناخته در نظر گرفته شده است. بهرهبرداری[۱۱۲]: مفهوم بهره برداری به معنای بهبود پاسخهای موجود برای دستیابی به یک بهینه محلی است. این مفهوم این امکان را بوجود میآورد تا پاسخهای ایجاد شده تا حد امکان بهبود یافته و بهینه شوند. این امکان نیز بایستی در الگوریتمهای تکاملی وجود داشته باشد. الگوریتمی مناسبتر است که از این ۲ مفهوم بهطور مناسب و در کنار هم استفاده شود.
الگوریتم ژنتیک الگوریتم ژنتیک یکی از معروفترین و پرکاربردترین الگوریتمهای تکاملی است که در سال ۱۹۶۲ توسط هالند[۱۱۳] معرفی گردید. الگوریتم ژنتیک با بهره گرفتن از اصول انتخاب طبیعی، برای یافتن فرمول بهینه جهت پیشبینی یا تطبیق الگو استفاده میشـوند. این الگوریتـم با بکارگیری عملگرهای ویـژه، بر روی مجمـوعهای از راه حلهای مسئله، بهگونهای استفاده می شود که جمعیت جدید در مقایسه با جمعیت قبلی و مطابق با تابع معیار از پیش تعریف شده، اصلاح شود. خروجی الگوریتم بهترین راهحلی است که در طول تکامل الگوریتم یافت شده است[۱۲۱]. الگوریتم ژنتیک با کدگذاری راه حلهای یک مسئله، بهترین جواب را برای مسئله پیدا می کنند. روشی که طبق آن راهحلها کدگذاری میشوند، نقش بسزایی در کارایی الگوریتم دارد. کدگذاری نامنـاسب، می تواند منجر به کـارایی ضعیف الگوریتم شود. عملگرهای کلی الگوریتم ژنتیک عبارتند از:
شکل۲- ۲۵ شمای کلی الگوریتم ژنتیک در ادامه تعدادی از مطالعاتی که از الگوریتم ژنتیک در فرایند خوشهبندی استفاده کرده اند مورد بررسی قرار گرفته است.
شکل۲- ۲۶ ترکیب GA و K-means (منبع:[۱۲۲]) با بهره گرفتن از مدل ارائهشده در شکل۲- ۲۶، مشکلات الگوریتم k-means(وابستگی به نحوه انتخاب مراکز اولیه و تعیین تعداد خوشه ها) برطرف شده و خوشهبندی مشتریان نتیجه بهتری بدنبال خواهد داشت.
خوشهبندی مشتریان با بهره گرفتن از الگوریتم k-means. محاسبه ضریب همبستگی اسپیرمن برای تمامی ویژگیها. تعیین ویژگیهای تأثیرگذار بر وفاداری مشتریان هر خوشه با بهره گرفتن از الگوریتم ژنتیک. تعیین نرخ وفاداری مشتریان با بهره گرفتن از مدل RFM. در [۱۲۴] نیز یک تکنیک ردهبندی بیزین[۱۲۰] برای مدلسازی پاسخ مشتریان، بر پایه یک الگوریتم نوین ژنتیک ارائهشده است. در این مطالعه، برای تجزیهوتحلیل ساختار، از الگوریتم ژنتیک استفاده شده تا بتوان شبکهای بهینه بهعنوان ورودی شبکهی بیزین آموزش داد.
الگوریتم رقابت استعماری الگوریتم رقابت استعماری(ICA[121])[122] یکی از انواع الگوریتمهای تکاملی است که در سال ۲۰۰۷ توسط آقای آتشپز و همکارش در [۱۲۶] معرفی گردید. ICA الهام گرفته شده از فرایند اجتماعی-سیاسی جهان واقعی است. این الگوریتم با تقلید از روند تکامل اجتماعی، اقتصادی و سیاسی کشورها و با مدلسازی ریاضی بخشهایی از این فرایند، عملگرهایی را در قالب منظم به صورت الگوریتم ارائه میدهد که میتوانند به حل مسائل پیچیده بهینه سازی کمک کنند. همانند سایر الگوریتمهای تکاملی، الگوریتم ICA نیز با تشکیل مجموعه ای از جوابهای احتمالی اولیه، فعالیت خود را آغاز می کند. در ICA به هر یک از این جوابهای اولیه یک “کشور[۱۲۳]” میگویند. هدف الگوریتم رقابت استعماری بهبود این کشورها و یافتن بهینهترین جواب است، که برای دستیابی به این هدف روندی خاص در این الگوریتم طی می شود. الگوریتم با روندهای خاصی که در طبیعت خود نهفته است به آرامی به بهبود کشورها(جوابهای مسئله) می پردازد و درنهایت، جواب مناسب(کشورمطلوب) مسئله بهینهسازی را تعیین می کند[۱۲۷]. عملگرهای اصلی این الگوریتم را سیاست همسانسازی[۱۲۴]، رقابت استعماری[۱۲۵] و انقلاب[۱۲۶] تشکیل میدهند. مراحل الگوریتم رقابت استعماری عبارتند از:
ایجاد کشورهای اولیه انتخاب بهترین کشورها بهعنوان استعمارگر تخصیص سایر کشورها بهعنوان مستعمره به استعمارگرها(ایجاد امپراتوریهای(Emperialist) اولیه) اعمال سیاست جذب(Assimilation) اعمال سیاست انقلاب(Revolution) مقایسه مستعمرات با استعمارگرها و جابجایی موقعیت مستعمره و استعمارگر در صورت لزوم ارزیابی امپراتوریها رقابت استعماری
[چهارشنبه 1400-01-25] [ 05:13:00 ق.ظ ]
لینک ثابت |