双重底混沌粒子族群最佳化演算法于高维度资料分群.PDFVIP

第 十二屆離島資訊技術與應用研討會論文集 雙重底混沌粒子族群最佳化演算法於高維度資料分群 莊麗月 高翊凱 林昱達 楊正宏* 義守大學 國立高雄應用科技大學 國立高雄應用科技大學 國立高雄應用科技大學 化學工程系 電子工程系 電子工程系 電子工程系 chuang@.tw kaikaii8053@ E0955767257@.tw chyang@.tw 摘要 前言 資料分群技術能幫助了解龐大資料中樣本與 資料分群技術為資料探勘研究的重要工具之 樣本之間存在的關聯性，其樣本會依據資料屬性的 一[1] ，其技術將所有資料集內的樣本依照欄位屬 相似性產生多組資料群，因此許多研究應用分群技 性值進行邏輯程序 以分成多個群集，這些群集各自 術於銷售管理與生產控制領域。本研究利用近年被 包含相似度高的樣本，而不同群間的樣本則差異度 提出的雙重底混沌粒子族群最佳化演算法於資料 甚大[2] 。近年來，分群技術大量被應用於銷售管 分群問題，其演算法擁有優越的混沌特性可大幅提 理與生產控制等問題 ，其問題經常使用多維空間 升粒子族群最佳化搜尋的方向及有效脫離區域最 (Multi-dimensional space)的向量來描述資料樣本 佳解之特性。本實驗使用 6個 UCI (University of 的屬性 ，例如成本、利潤等，經由資料分群處理後， California, Irvine資料集) 進行測試雙重底混沌粒子 可根據分群結果進行推理 以利分析決策於管理或 族群最佳化演算法及其他相關演算法 。實驗數據 以 生產控制。 比較分群結果之群集內距離總和、錯誤率與計算適 資料 分群技術可分為切割式分群與非切割式 應函數的總數，測試分群演算法之優缺點。研究顯 分群 ，切割式分群需先指定群集個數後再進行切 示雙重底混沌粒子族群最佳化演算法的分群結果 割，切割後子群集裡再去創造新的分群集合，目前 能獲得較其他演算法之群集內距離總合 ，並且錯誤 此類方法有K-means [3]與K-medoid [4]等資料分 率及 群 時間複雜度皆優於其他演算法 。 演算法。非切割式分群為將資料視為一個群集， 關鍵詞：資料分群、雙重底混沌 map 、粒子族群最 並在此群集之中又分割 出小的群集，分割方式有凝 佳化 聚法 (Agglomerative) 、分散法(Divise) 兩種方 目前此類分群演算法有 CURE [5] 、Chameleon 式， Abstract [6] 與 BIRCH [7]等。K-means演算法 [3]為分群中 Data clustering can help to understand the 最常見的方法之一，是一種簡單且快速的分群演算 association between samples among