در رابطه بالا، i نقطه شروع و j مرکز موردنظر و nc تعداد مراکز است.
- بروز رسانی فرومون با بهره گرفتن از رابطه ۲-۳۹٫
(۲-۳۹) |
-
-
- محاسبه TWCV. اگر مقدار TWCV تغییر کرد، آنگاه بازگشت به مرحله ۳؛ در غیر اینصورت چنانچه مقدار TWCV کوچکتر از کوچکترین TWCV است با آن جانشین می شود.
-
-
- ایجاد اختلال بهمنظور جلوگیری از به دام افتادن در بهینه محلی.
- اگر به جواب بهینه نرسیده بازگشت به مرحله ۳ و در غیر اینصورت توقف.
ژو و همکاران [۱۳۰]، با بهره گرفتن از الگوریتم بالا اقدام به خوشهبندی مشتریان یک شرکت ارائهدهنده خدمات بیسیم کردند.در این مطالعه از داده های رفتاری، جمعیتی، جغرافیایی و نگرشی مشتریان استفاده شده است.
یکی دیگر از مطالعات انجامشده در این زمینه، در سال ۲۰۱۱ در [۱۳۱] است. وربک [۱۳۱]و همکاران با بهره گرفتن از +AntMiner و ترکیب آن با روش ALBA مشتریان را خوشهبندی کرده و سپس احتمال رویگردانی آن ها را مورد بررسی قرار دادند.
الگوریتم بهینه سازی ازدحام ذرات
الگوریتم بهینهسازی ازدحام ذرات(PSO[132]) یک الگوریتم محاسبهای تکاملی الهام گرفته از طبیعت و بر اساس تکرار میباشد که توسط کندی و ابرهارت در سال ۱۹۹۵ مطرح شد. منبع الهام این الگوریتم، رفتار اجتماعی حیوانات، همانند حرکت دسته جمعی پرندگان و ماهیها است. الگوریتم PSO از تعداد مشخصی از ذرات تشکیل می شود که در شروع فرایند، بهطور تصادفی، مقدار اولیه میگیرند. هر یک از ذرات تعریف شده دارای دو مقدار وضعیت و سرعت میباشند که به ترتیب با یک بردار مکان و یک بردار سرعت، مدل میشوند. این ذرات، بصورت تکرار شوندهای در فضای چند بعدی مسئله حرکت کرده تا با محاسبه مقدار بهینگی بهعنوان یک ملاک سنجش، به بهینهترین جواب دست یابند. در هر بار تکرار، همه ذرات در فضـای چند بعدی مسئله حرکت مـیکنند تا درنهایت بهینهترین مکان، پیدا شـود. یک حافظه به ذخیره بهترین موقعیت هر ذره در گذشته و یک حافظه به ذخیره بهترین موقعیت پیش آمده در میان همه ذرات، اختصاص مییابد. با بهره گرفتن از این حافظهها، ذرات تصمیم میگیرند که در نوبت بعدی، چگونه حرکت کنند. ذرات، سرعتهایشان و موقعیتشان را برحسب بهترین جوابهای مطلق و محلی بروز میکنند. الگوریتم PSO، بردار سرعت هر ذره را بروز کرده و سپس مقدار سرعت جدید را به موقعیت و یا مقدار ذره میافزاید. بروز کردنهای سرعت، تحت تأثیر هر دو مقدار بهترین جواب محلی و بهترین جواب مطلق است. بهترین جواب محلی و بهترین جواب مطلق، بهترین جوابهایی هستند که تا لحظهی جاری اجرای الگوریتم، به ترتیب توسط یک ذره و در کل جمعیت به دست آمدهاند[۱۳۲].
نویسندگان مقاله [۱۳۳]، بهمنظور حل مشکلات خوشهبندی به روش K-means یک الگوریتم ترکیبی با نام PSO-Km ارائه کردند که ترکیبی از الگوریتم تکاملی بهینهسازی ذرات و الگوریتم K-means میباشد. این الگوریتم با بهره گرفتن از مزایای هر دو الگوریتم PSO و K-means عمل کرده و نتایج بهتری در فرایند خوشهبندی ارائه می کند. روند فعالیت PSO-Km بدین صورت است که ابتدا فرایند با PSO آغاز شده و تا زمانی که بهینهترین جواب عمومی یافت شود ادامه مییابد. پس از یافتن این جواب، جواب موردنظر به الگوریتم K-means سپرده شده تا با سرعت بالاتری اقدام به خوشهبندی نماید.
در [۱۳۴] یک مکانیزم هوشمند برای مدیریت انتظارات مشتریان با بهره گیری از الگوریتم PSO ارائهشده است. این مکانیزم بهگونهای میباشد که با مدیریت انتظارات مشتریان، ارزش ارائهشده به مشتریان را حداکثر کرده و هزینه های شرکت را کاهش میدهد.
در مطالعه دیگری که در سال ۲۰۰۹ در [۱۳۵] انجام شد، یک روش بخشبندی بازار بر اساس ترکیب PSO و K-means توسعه داده شد. مدل بخشبندی ترکیبی در بخشبندی مشتریان یک شرکت ارائهدهنده تجهیزات کامپیوتری استفاده شد و نتایج حاصل از خوشهبندی توسط مدل ترکیبی، نشان از بهبود نتایج دارد.
در مقاله [۱۳۶] نیز یک الگوریتم خوشهبندی جدید را بر مبنای الگوریتم PSO معرفی شده، که از شباهت میان ذرات بهجای فاصله اقلیدسی استفاده میکرد. این الگوریتم MEPSO نامیده می شود و برای داده های بزرگ، پیچیده و غیرقابلتفکیک مناسب میباشد.
در [۱۳۷] نیز، ادنان[۱۳۳] و همکاران از الگوریتم PSO برای پیش بینی رویگردانی مشتریان در صنعت مخابرات استفاده کردند.
|
[سه شنبه 1400-03-11] [ 08:35:00 ب.ظ ]
|