دانلود مقاله ترجمه شده خوشه بندی گروهی با استفاده از برنامه نویسی نیمه معین

ما مسئله ی خوشه بندی گروهی را در نظر می گیریم که وظیفه ی اصلی آن جمع آوری همه ی راه حل های چندگانه ی خوشه بندی به یک خوشه بندی تکی تثبیت شده است که اطلاعات به اشتراک گذاشته شده را در میان راه حلهای خوشه بندی داده شده به حداکثر می رساند. ما نتایج جدید را از این مسئله به دست می آوریم. در ابتدا، ما باید توجه داشته باشیم که مفهوم توافق تحت چنین شرایطی می تواند با استفاده از معیار توافق بر پایه ی یک رمزگذاری رشته ی دو بعدی به جای استراتژی رأی گیری مبتنی بر پیشنهادات بدست آمده در ادبیات در نظر گرفته شود. با استفاده از این روند تعمیم، ما از ابتدا یک مدل بهینه سازی غیر خطی را به کار می گیریم که معیارهای توافقی جدید را به حداکثر برسانیم. سپس نشان میدهیم که مسئله ی بهینه سازی ما می تواند به برنامه ی نیمه معین 0-1 (SDP) با روش های محدب سازی جدید تبدیل شود که می تواند به یک چندجمله ای با SDP قابل حل تبدیل شود. آزمایشهای ما، پیشرفتها و بهبودهایی را نه تنها از نظر معیارهای انتخاب پیشنهادی نشان میدهد بلکه معیارهای توافق موجود بر پایه ی استراتژی های رأی گیری را نشان میدهدو ما در مورد ارزیابی خوشه بندی و پایگاه داده های تقسیم بندی صفحه به بحث می پردازیم.

 در مسئله ی خوشه بندی گروهی، هدف، ترکیب راه حل های خوشه بندی چندگانه و یا پارتیشن ها به مجموعه ای از خوشه بندی منحصر به فرد تثبیت شده است که میزان اطلاعات اشتراکی ( یا توافقات) بین همه ی راه حلهای خوشه بندی موجود را به حداکثر می رساند. نیاز به این فرم خوشه بندی در بسیاری از برنامه ها حس می شود به خصوص در سناریوهای دنیای واقعی با درجه ی بالایی از عدم قطعیت مانند جداسازی تصویر با میزان ضعیف نسبت سیگنال به نویز و تشخیص بیماری به کمک کامپیوتر. بسیار شایع است که یک الگوریتم خوشه بندی تک ممکن است نتایج رضایت بخشی را تولید نکند، در حالیکه الگوریتم های متعدد ممکن است انتخاب های ناقص باشد که برخی عناصر را به خوشه های نادرست تخصیص می دهد...