کشف قوانین دسته‌بند داده‌کاوی با استفاده از الگوریتم ممتیک توزیع‌شده | ||
| مدیریت مهندسی و رایانش نرم | ||
| مقاله 4، دوره 9، شماره 2 - شماره پیاپی 17، مهر 1402، صفحه 50-62 اصل مقاله (1.86 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22091/jemsc.2024.8760.1168 | ||
| نویسندگان | ||
| محمدرضا دهقانی محمودآبادی* 1؛ محمدرضا ملاحسینی اردکانی2 | ||
| 1گروه فنی و مهندسی، دانشگاه ازاد اسلامی واحد میبد، یزد، ایران | ||
| 2استادیار، مهندسی کامپیوتر نرم افزار، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد میبد، میبد، ایران | ||
| چکیده | ||
| در سیستم‌های توزیع‌شده جمعیت، فرم‌های به‌هم‌پیوسته حاکم هستند. این فرم‌ها برای تکامل گونه‌ها در میان سایت‌ها و افزایش تنوع آن‌ها به‌وسیله روش انتخاب و تولیدمثل محلی مورد استفاده قرار می‌گیرند. تغییرات در قوانین مهاجرت در برخی از سایت‌ها، همچنین اجرای جستجو، منجر به بهبود قابل‌توجه در کشف قوانین دسته‌بند شده است. در نهایت، اشتراک اطلاعات جهت کاهش پیچیدگی مجموعه مشخص کشف‌شده به‌کار گرفته می‌شود. در این مطالعه، اثربخشی الگوریتم ممتیک توزیع‌شده در کشف قوانین دسته‌بند داده‌کاوی با تحلیل نتایج این الگوریتم در پنج مجموعه داده از مخازن UCI و KEEL مورد ارزیابی قرار گرفته است. نتایج حاکی از این است که الگوریتم ممتیک توزیع‌شده با دقت پیش‌بینی بالاتری نسبت به الگوریتم ممتیک سنتی در کشف قوانین دسته‌بند داده‌کاوی عمل می‌کند. این مطالعه نشان می‌دهد که تأثیر عملیات مهاجرت و اجرای جستجو در کشف قوانین دسته‌بند داده‌کاوی قابل‌مشاهده‌است. | ||
| کلیدواژه‌ها | ||
| الگوریتم ممتیک توزیع‌شده؛ قوانین دسته‌بندی؛ الگوریتم ممتیک موازی | ||
| عنوان مقاله [English] | ||
| Discovering the Rules of Data Mining Classification using Distributed Memetic Algorithm | ||
| نویسندگان [English] | ||
| Mohammadreza Dehghanimahmoudabadi1؛ Mohammadreza Mollahoseini Ardakani2 | ||
| 1azad univercity maybod,yazd,iran | ||
| 22. Assistant Professor, Department of Computer Engineering, Maybod Branch, Islamic Azad University, Maybod, Iran. | ||
| چکیده [English] | ||
| In distributed population systems, cohesive structures prevail, playing a crucial role in the evolution of species across different sites and fostering diversity. These structures employ local selection and reproduction methods to enhance the evolution process. Alterations in migration rules on certain sites, coupled with the execution of search operations, have led to a significant improvement in discovering classification rules. Ultimately, information sharing is employed to mitigate the complexity of the identified rule set. This study evaluates the effectiveness of the Distributed Memetic Algorithm in discovering classification rules in data mining. The algorithm is analyzed based on results obtained from five datasets collected from UCI and KEEL repositories. The findings indicate that the Distributed Memetic Algorithm outperforms the traditional Memetic Algorithm in precision for predicting and discovering classification rules in data mining. This research underscores the observable impact of migration operations and search execution in the process of discovering classification rules in data mining. | ||
| کلیدواژه‌ها [English] | ||
| Distributed memetic algorithm, classification rules, parallel memetic algorithm | ||
| مراجع | ||
|
Buayen, P., & Werapun, J. (2018). Parallel time–space reduction by unbiased filtering for solving the 0/1-Knapsack problem. Journal of Parallel and Distributed Computing, 122, 195–208. https://doi.org/10.1016/j.jpdc.2018.08.003 Cano-Cano, J., Andújar, F. J., Alfaro, F. J., & Sánchez, J. L. (2019). Speeding up exascale interconnection network simulations with the VEF3 trace framework. Journal of Parallel and Distributed Computing, 133, 124–135. https://doi.org/10.1016/j.jpdc.2019.06.013 Gowanlock, M., & Karsin, B. (2019). Accelerating the similarity self-join using the GPU. Journal of Parallel and Distributed Computing, 133, 107–123. https://doi.org/10.1016/j.jpdc.2019.06.005 Gutiérrez, M., Gregorio-Godoy, P., Pérez Del Pulgar, G., Munoz, L. E., Sáez, S., & Rodríguez-Patón, A. (2017). A New Improved and Extended Version of the Multicell Bacterial Simulator gro. ACS Synthetic Biology, 6(8), 1496–1508. https://doi.org/10.1021/acssynbio.7b00003 Lebib, F. Z., Mellah, H., & Drias, H. (2017). Enhancing information source selection using a genetic algorithm and social tagging. International Journal of Information Management, 37(6), 741–749. https://doi.org/10.1016/j.ijinfomgt.2017.07.011 Martín, A., Lara-Cabrera, R., Fuentes-Hurtado, F., Naranjo, V., & Camacho, D. (2018). EvoDeep: A new evolutionary approach for automatic Deep Neural Networks parametrisation. Journal of Parallel and Distributed Computing, 117, 180–191. https://doi.org/10.1016/j.jpdc.2017.09.006 Mishra, V., & Singh, V. (2015). Generating Optimal Query Plans for Distributed Query Processing using Teacher-Learner Based Optimization. Procedia Computer Science, 54, 281–290. https://doi.org/10.1016/j.procs.2015.06.033 Mohammadreza. (n.d.). A novel aggregation-based distributed search model for optimal design using the memetic algorithm. Omara, F. A., & Arafa, M. M. (2010). Genetic algorithms for task scheduling problem. Journal of Parallel and Distributed Computing, 70(1), 13–22. https://doi.org/10.1016/j.jpdc.2009.09.009 Townsend, J. G., & De Corcuera, J. B. (1993). Feminists in the rainforest in Mexico. Geoforum, 24(1), 45–54. https://doi.org/10.1016/0016-7185(93)90013-8 Veloso, B., Leal, F., González-Vélez, H., Malheiro, B., & Burguillo, J. C. (2018). Scalable data analytics using crowdsourced repositories and streams. Journal of Parallel and Distributed Computing, 122, 1–10. https://doi.org/ 10.1016/j.jpdc.2018.06.013 Vonásek, V., Vick, A., & Krüger, J. (2018). Distributed motion planning for industrial random bin picking. Procedia CIRP, 76, 121–126. https://doi.org/10.1016/j.procir.2018.01.039 -Wu, L., Yan, C., Jian, M., Liu, S., Dong, W., & Chen, C. W. (2018). A fast hybrid retargeting scheme with seam context and content aware strip partition. Neurocomputing, 286, 198–213. https://doi.org/10.1016/j.neucom.2018.01.058 Yuming, C., Jing, D., & Fanlun, X. (1995). Genetic Algorithms for Irrigation Optimization. IFAC Proceedings Volumes, 28(4), 145–150. https://doi.org/10.1016/s1474-6670(17)45555-8 -Zhang, G., & Xing, K. (2018). Memetic social spider optimization algorithm for scheduling two-stage assembly flowshop in a distributed environment. Computers and Industrial Engineering, 125, 423–433. https://doi.org/10.1016/j.cie.2018.09.007 | ||
|
آمار تعداد مشاهده مقاله: 1,236 تعداد دریافت فایل اصل مقاله: 323 |
||