Abstract:
در سالهای اخیر مسئله جدیدی با عنوان «خوشهبندی چندمعیاره» ظهور کرده که هدف آن، دستهبندی گزینهها در گروههای همگنی به نام خوشه با توجه به معیارهای ارزیابی متفاوت است. در ادامه پژوهشهای انجامگرفته در مبانی نظری، پژوهش حاضر با ترکیب الگوریتم K- میانگین و تکنیک پرامتی، بهدنبال توسعه یک روش جدید خوشهبندی چندمعیاره است. پارامترهای مسئله، پروفایلهای جداکننده خوشهها هستند که برای بهینهسازی آنها از الگوریتم ژنتیک استفاده شده است. برای تنظیم پارامترهای ژنتیک نیز از روش تاگوچی استفاده میشود. در این مدلسازی، متغیرها در هر مرحله از بهروزرسانی جوابها، با توجه به فاصله امتیاز جریان خالص خود از پروفایلها به نزدیکترین خوشه تخصیص مییابند. عملگر جهش نیز صرفاً زمانی اعمال میشود که میزان شباهت کروموزومها در هر جمعیت به حد خاصی برسد که این هوشمندسازی موجب کاهش زمان محاسباتی شده است. درنهایت با اجرای روش پیشنهادی بر روی چند نمونه مسائل تصادفی مالی، عملکرد آن با سایر الگوریتمهای شناختهشده خوشهبندی مقایسه شده است. نتایج نشان میدهد که روش پیشنهادی ضمن تعیین تعداد بهینه خوشهها، در مقایسه با سایر الگوریتمها، جوابهای دقیقتری ارائه میدهد.
In recent years, a new issue called "multi-criteria clustering" has emerged that aims at grouping alternatives into homogeneous classes called clusters according to different evaluation criteria. Following the related studies in literature, by combining K-means algorithm and PROMETHEE technique, this paper aims to present a new multi-criteria clustering method. The parameters of the problem are the cluster separator profiles which genetic algorithm (GA) is used to optimize them. In the modeling process in each stage of updating responses, alternatives allocate to the nearest cluster according to the distance of their pure flow of privileges from the profiles. The mutation operator is only applied when the chromosomes’ similarity level in each population reaches to a certain level which this intelligence reduces the computation time. Finally, by simulating the proposed algorithm and some well-known clustering algorithms based on the several financial databases the efficiency of the algorithm compared to other algorithms. The results show the algorithm, in addition to determine the optimal number of clusters in comparison to other algorithms, also provides better results.