沙特国王大学学报自适应精英蚂蚁系统在医疗聚类问题中的应用安马尔湾阿布哈姆达Taibah大学工商管理学院管理信息系统系，沙特阿拉伯Almadinah Almunawarah阿提奇莱因福奥文章历史记录：收到2018年2018年7月6日修订2018年8月11日接受在线提供2018年8月13日保留字：医疗聚类问题最小距离蚁群优化自适应混合精英-蚂蚁系统A B S T R A C T一般而言，基于种群的算法在搜索空间的探索方面优于基于局部搜索的算法。在任何情况下，不同的基于种群的算法的主要缺点是在利用搜索空间。最近，混合精英蚂蚁系统方法被认为是一个体面的人口为基础的算法在各种优化问题。沿着这些路线，这项工作的目的是评估混合精英蚂蚁系统的方法性能，利用聚类问题的搜索空间。六个医疗聚类问题的基准数据集被用作测试域（UCI机器学习库）。请记住，最终目标是探索混合精英蚂蚁系统方法的性能精英蚂蚁系统方法的计算结果与不同方法的计算结果进行了对比，表明了该方法的可行性.在任何情况下，混合精英蚂蚁系统方法的障碍是在调整约束参数的重要性，其中每个数据集需要调整自己的重要性为每个问题。随后，它的道具激励，以提高混合精英蚂蚁系统的方法，自适应调整的重要性参数。计算结果表明，所提出的自适应精英蚂蚁系统的方法是有能力提供更高质量的解决方案（结果）比混合精英蚂蚁系统的方法和不同的方法（结果），在所有的数据集的文学。©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍聚类问题包括根据相关特性将一组对象分配（分配）到多个聚类（Jain等人，1999; Berkhin，2002; Saha等人，2010年）。集群可以被处理为相关对象的单独组（集群），并且与不同的对象组（集群）断开（Saha等人，2010;Brucker等人，1978年）。考虑到利用一定的距离函数计算最小距离以实现数据表示的可比性或差异性状态，将对象散布在簇中（Saha等人，2010; Tung等人，2001年）。较小的最小距离值显示出优越的聚类质量（Tung等人，2001年）。聚类问题可以被认为是一个NP难问题，一旦聚类数超过三个聚类（Saha等人， 2010年）或两个集群（Dasgupta和Freund，2009年）。电子邮件地址：aabuhamdah@taibahu.edu.sa，anmar_81@hotmail.com不同的方法习惯于将对象分配到不同的聚类中以构建初始聚类（或解 决 方 案 ） ， 例 如 K-means 和 Multi K-means （ Davidson 和Satyanarayana，2003），Fuzzy C-Means（Hong，2006）和不同的方法。尽管如此，找到问题的体面解决方案质量取决于通过搜索空间使用的表示和方法（Jain等人， 1999年）。许 多 研 究 将 算 法 方 法 分 为 几 类 用 于 解 决 问 题 ， Qu 等 人（2009），Blum和Roli（2003）分类为基于图的顺序，基于约束，局部搜索，多标准策略，基于人口的算法，超进化和分解/聚类技术。最近，存在不同的（优化的）增强算法被利用以降低最小距离质量（Jain等人，1999）在解决聚类问题时，这些方法结合了局部禁忌搜索（Yongguo等人， 2008），人工蜜蜂群体（Zhang等人，2010年，更多。存在一些应用于解决医疗聚类问题的方法，例如，迭代模拟退火（IISA）（Kittaneh等人，2012）、杂交改良的大规模退火和迭代模拟退火（ISA-MGD）（Abuhamdah等人，2012）、自适应大规模免疫（AGD）（Abuhamdah等人， 2014年），本地搜索的PLS机制https://doi.org/10.1016/j.jksuci.2018.08.0071319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com710A.F. Abuhamdah/Journal of King Saud University- Computer and Information Sciences 32（2020）709- 717算法（PPCA）（PPCA）（Abuhamdah，2015 a）和优化问题的自适应接受准则（AAC）算法（Abuhamdah，2015 b）。尽管如此，上述医学聚类方法是局部搜索算法，并且局部搜索算法在强化搜索空间方面具有优势，而在使搜索空间多样化方面受到限制（Ayvaz等人，2012年）。同时，基于种群的算法的优势在于使搜索空间多样化，其局限性也在于强化搜索空间（Ayvaz等人， 2012年，在这些在（Saha et al.，2010年）。数据集表示总结见表1。有几种方法用于生成初始聚类（解决方案）。 在这项工作中，多K-means（Jain等人， 1999）被用来初始化聚类并任意选择聚类中心（质心），在该点处，重新处理聚类j的质心（v ， j），如等式（1）中所示。（一）. 有关药物聚集问题的更多见解，请参见（Jain等人， 1999年）。C行，本文评估了基于V1XiXj12c1一种算法，与局部搜索算法一起使用，以相互结合并克服它们在医学上的障碍。j¼CiIJ1/1¼;;..ðÞ聚类问题最近，混合精英-蚂蚁系统（elitist-AS）（Jaradat和Ayob，2010）被提出用于课程编排问题，并且混合精英-蚂蚁系统用于旅行推销员代表问题（Ghaith，2016; Ghaith等人，2016）和护士排班问题（Ghaith等人，2019年）。混合精英-AS是采用迭代局部搜索的基于群体的算法（Ghaith等人，2019）在各种精简问题中进行了评估，值得在其他领域中重新利用。在这项工作中，混合精英-AS展示，在这一点上，改进与自适应机制的医疗聚类问题。为了评估混合elitist-AS算法和自适应机制的性能，利用六个基准数据集（可在UCI机器学习库中访问）来分析混合elitist-AS，自适应elitist-AS和文献中的不同方法之间的性能。另一方面，在数据集上利用两个距离函数计算（即，对象之间和中心之间），考试原因本文件的结构如下：第1.1评估聚类解决方案（结果）质量是估计-利用一定的距离函数来确定最小距离值，这是聚类问题中的一个重要问题。其中，通过对比距离计算来评估聚类（解决方案）质量对不同的聚类距离值进行聚类分析，最小的聚类距离值表示最优解。然后，距离值根据它们的距离函数值在算法或方法展示之间进行区分（Halkidi等人，2001; Maulik和Bandyopadhyay，2000; Holland，1975）。平方误差或欧几里得距离标准，如等式（2），通常用于计算分区（聚类）的距离。例如，给定的数据集P ={p 1，p 2，. . ，pz}）产生K个聚类（Wang，2006），其中，i和j是z维数据对象中的两个。有关药物聚集问题的更多见解，请参见（Saha等人， 2010年）。vuXz。ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffi2ffiffiD提出的问题表示.部分2介绍方法和具有自适应机制的混合精英ASti¼1第3节检查计算结果。最后，第四部分是结论.1.1. 问题描述通常，基准数据集在特征和记录数量方面是不同的，并且在各种问题中具有不同的在这项工作中，聚类问题数据集被用作测试域，这些数据集可以在UCI机器学习库（http://archive.ics.uci.edu/ml/index.html）中访问。其中一些聚类数据集是有意义的医学研究聚类问题的目的，它反映了一些疾病，从真正的污染患者。其中六个用于聚类问题的医学基准数据集被用作测试域，其中，有五个数据集提供了建议的数量在这项工作中，两个距离函数（即对象之间或中心之间）被用来量化聚类质量（Jain等人，1999; Saha等人，2010;Hong，2006）。在对象间计算中，根据计算每个模式之间的（最小）距离来估计聚类质量。在中心之间，聚类质量是根据聚类中心和它所属的每个数据模式之间的（最小）距离的总和来估计的。然而，有一些方法用于提高初始聚类的最小距离值。这些算法可以根据它们的距离值进行评估第2描述了所采用的方法和所提出的算法和第3中介绍的不同方法之间的比较。表1医学聚类问题的基准数据集没有数据集实例数数量的属性团簇分布Attributes键入1.肺癌（Lu.C）3256三个集群整数2.甲状腺数据疾病（Th.D）21521(i.e.（第9、13和10段）三个集群分类和真实3.哈伯曼3064(i.e. 150、30和35）两个集群整数4.BUPA肝脏疾病（Bu.L.D）3457(i.e. 255和81）2个群集绝对的和真实的(i.e. 145和200）5.威斯康星州乳腺癌（Wi.B.C）69910三个集群整数6.皮马印第安人糖尿病（PI.I.D）7688(i.e. 123、240和363）两个集群真实的和真实的(i.e. 500和268）●●x;ypi-pjð2ÞA.F. Abuhamdah/Journal of King Saud University- Computer and Information Sciences 32（2020）709-7177112. 该算法蚁群优化（ACO）被认为是一种基于概率的技术，它依赖于一组用于解决计算问题的人工智能的协同活动，可以减少以获得解决优化问题的良好解决方案（Dorigo，1992; Dorigo和Gambardella，1996; Dorigo，2007）。蚁群算法由Dorigo（1992）提出，用于解决旅行推销员问题（更多细节请参考Dorigo（1992））。图1展示了ACO的通用伪代码。一些研究者认为蚁群算法的性能优于遗传算法，但不如禁忌搜索、模拟退火和迭代局部搜索（Dorigo，2007）。Fig. 1. 蚁群优化伪代码（Dorigo和Gambardella，1996）。近年来，ACO被代表和升级（重建）以解决其他优化问题，例如，大学课程编排（Jaradat和Ayob，2010; Dorigo，2007;Rossi-Doria等人 ，2003; Socha 等 人， 2002 年 ）。 最 近， ACO 与 迭代 本 地搜 索（ILS）杂交，并利用精英池（内存）进行真正的上下文调查（Jordan案例）（Ghaith，2016），旅行推销员问题（Ghaith等人，2016）和护士排班问题（Ghaith et al.，2019），克服其ACO强化弱点。Ghaith等人（2016）的混合精英蚂蚁系统（elitist-AS）结果与另一种基于种群的算法- soutcomes进行了对比，在一些数据集上获得了更好或相当质量的解决方案，并在各种优化问题中证明了其可行性，这启发了探索混合精英AS在医疗聚类问题中的性能。混合精英AS的伪代码如图2所示，混合精英AS的参数调整和设置如表2所示。图上面的2证明了混合精英AS通过利用Multi-Kmean（Jain等人，1999; Davidson和Satyanarayana，2003），并如Jain等人，1999; Saha等人，2010; Abuhamdah，2015）。之后，混合精英AS根据问题的处理情况对参数进行调整。这些参数是基于一些以前的工作建议（Ghaith，2016; Ghaith等人，2016，2019; Holger和Thomas ， 2004;Christopher 等人， 20 1 2 ;Ming-Pan and Min ，2016）。图二、 混合精英AS伪码（Ghaith等人， 2016年）。712A.F. Abuhamdah/Journal of King Saud University- Computer and Information Sciences 32（2020）709- 717表2用于混合精英AS的参数设置用于医疗聚类问题。没有参数/值值1.人口数目102.迭代次数100,0003.非改进迭代1004.信息素初值0.015.蒸发速率0.25 €[0.1]6.防效0.95 €[0.1]7.限制的重要性28.当地多家两9.使用本地搜索迭代局部搜索10.检索更新最佳蚂蚁在调整参数之后，该算法在构造阶段生成一些解决方案，并更新一些解决方案的内存（精英池）。该算法在改进阶段增强解，并试图加强和多样化的精英池的最佳解决方案。最后，在强调满足停止条件后，它返回到目前为止发现的最佳解 与此同时，约束的重要性选择为值2（Jaradat和Ayob，2010年; Ghaith，2016年; Ghaith等人，2016年，2019年），经过几次运行后审议了一个合理的数字。 关于混合精英AS的更多见解，请提及（Ghaith等人，2016），对于邻域结构，请参考（Kittaneh et al.，2012; Abuhamdah等人，2012，2014;Abuhamdah，2015 a，2015 b）。然而，医疗聚类问题的基准数据集的改进范围是数据集的一种独特形式，因此每个数据集都需要一个特殊的激励，表3每个数据集的初始解（最小距离）质量混合精英AS中约束参数的重要性分配问题，在合理分配约束参数的重要性方面存在局限性。通过这种方式，提出了一种自适应机制，通过搜索空间来决定每个数据集的约束的合理重要性。自适应机制简单如下：首先，约束参数的重要性被设置为零;然后，如果构建阶段中的候选解值优于精英池中的最佳（选择的）解值，则在该点处，从在精英池上搜索的当前解值中减去候选解值，并且通过差来更新约束参数的重要性;在另一增强解的情况下，在该点处，将另一差的值（其如上所述再次计算）添加到重要性约束的值，并且通过增强解的数量来隔离，在该点处，用新值来更新约束参数的重要性，等等。例如，如果用于主要强调的约束的重要性等于10，则用于第二周期的候选解值为100，当前解为110，在该点处，约束的新重要性为10（例如，（（1103. 计算结果和讨论在这项工作中，自适应混合精英AS算法运行20次（Abuhamdah，2015 b; Ghaith等人，2016）超过六个基准数据集。该算法运行在PC上的英特尔双核（i5）3.2 GHz，4 GB RAM使用Java语言。表3显示了两种计算方式（即对象之间和中心之间）的初始解的质量，这是通过多K均值算法为每个数据集获得的。17258.71 22646.89Wi.B.C6379.69 5360.710100880.39 102398.583中间中心计算如表5所示。 在表4和表5中，最佳表示最佳最小距离聚类质量，平均表示平均得分和标准。Dev. （r）表示表4混合精英-AS和自适应混合精英-AS之间的目标算法的结果的比较。数据集最好平均STD. dev. （r）自适应混合精英AS混合精英-AS自适应混合精英AS混合精英-AS自适应混合精英AS混合精英-ASLu.C157.62157.62157.96158.670.401.02日834.14841.57872.58912.1329.07102.66哈哈947.64947.64969.61988.2224.5729.03Bu.L.D5297.575302.645387.155450.2276.33177.66Wi.B.C189319051915.352015.0823.5286.36圆周率20778.1120895.6220895.0621316.94158.25579.47粗体表示迄今为止获得的用于比较的最佳最小距离。表5中心间混合精英AS和自适应混合精英AS结果的比较数据集最好平均STD. dev. （r）自适应混合精英AS混合精英-AS自适应混合精英AS混合精英-AS自适应混合精英AS混合精英-ASLu.C151.32151.32151.78151.850.470.46日1997.571997.572024.292033.3118.0723.49哈哈2681.122703.112699.402718.4617.479.75Bu.L.D10397.5710449.8710415.6110470.8427.2322.59Wi.B.C1974.8726842047.852753.72159.02106.20圆周率46286.1447845.2146588.9248479.53312.19533.47粗体表示迄今为止获得的用于比较的最佳最小距离。●●●数据集对象之间中心之间为了研究自适应混合精英AS的性能，Lu.C182.57168.520在所提出的混合精英AS日3178.712459.620（Ghaith等人， 2016年）和拟议的自适应混合精英-AS哈哈2463.973626.530利用表4所示的中间对象计算，A.F. Abuhamdah/Journal of King Saud University- Computer and Information Sciences 32（2020）709-717713对于20次运行的标准偏差（其中粗体表示比较中获得的最佳结果）。表4和表5中的结果表明，自适应混合精英AS在对象间和中心间计算的所有数据集中都具有可比性或优于混合精英AS。同时，平均得分和标准差表明，在混合精英AS中使用自适应机制比不使用自适应机制更稳定和鲁棒。自适应混合精英AS算法能够在一些数据集中提供比混合精英AS算法更好的质量解决方案，其中其他数据集是可比较的;以这种方式，在表6和7中呈现了对自适应混合精英AS的进一步分析。表6展示了对所有测试数据集上的对象间计算的自适应混合精英AS的进一步分析，其中表7是中心间计算的分析。例如，如表6所示，Lu.C数据集的最佳结果是20分钟22秒内的157.62。运行结果在（最小值）157.62和（最大值）158.5之间，平均值为157.96，标准差为0.40。在很大一部分其中，在19.25 s和22.21 s之间获得的结果被认为是有价值的。图3展示了在Ha.S数据集上利用对象之间计算的K均值和自适应混合精英AS算法的3D散点图，其中4 、证明了两 者 之间表6自适应混合精英-AS算法目标间的结果分析描述Lu.C日哈哈Bu.L.DWi.B.C圆周率最好157.62834.14947.645297.57189320778.11最佳时间时间00：20：22时间00：03：33时间00：01：56时间00：03：14时间00：38：46时间00：04：59平均157.96872.589969.615387.1491915.3520895.05结果范围157.62834.14947.645297.57189320778.11158.5898.971007.815466.33195921187.35时间范围时间00：19：25时间00：03：24时间00：01：24时间00：02：28时间00：36：27时间00：04：34时间00：22：21时间00：04：57时间00：03：06时间00：03：41时间00：41：52时间00：05：46STD0.4029.0724.5776.3323.52158.25表7自适应混合精英-AS算法中心间的结果分析描述Lu.C日哈哈Bu.L.DWi.B.C圆周率最好151.321997.572681.1210397.571974.8746286.14最佳时间时间00：19：21时间00：05：24时间00：02：05时间00：03：46时间01：01：24时间00：10：47平均151.782024.292699.4010415.602047.8546588.92结果范围151.321997.572681.1210397.571974.8746286.14152.372041.892723.3610483.952265.5747137.62时间范围时间00：18：35时间00：04：32时间00：02：01时间00：03：06时间00：59：05时间00：10：13时间00：25：48时间00：08：31时间00：04：14时间00：04：12时间01：36：34时间00：12：32STD0.4623.499.7522.59106.20533.47图三.在Ha.S数据集上的K-means和自适应混合elitist-AS算法的散点图，用于对象之间的最小距离计算。714A.F. Abuhamdah/Journal of King Saud University- Computer and Information Sciences 32（2020）709- 717图四、Ha.S数据集上K-means自适应混合精英AS算法的散点图，用于中心之间的最小距离计算图五. 自适应混合精英-AS在对象之间使用的箱形图触须。中心计算两种色调（绿色和红色）代表团。例如，图3- 1展示了K均值找到的初始（最小距离）解是2463.97，其中图3- 2展示了自适应混合精英AS得到的最小距离等于= 947.64。 图图 5和图 6示出了盒子用自适应混合精英-AS算法对测试数据集进行对象间和中心间计算，得到20次运行结果的须状图。如果不是太麻烦的话，请注意图中的方框和图。5和6每个数据集都是孤立的，暗示着它的不同结构。A.F. Abuhamdah/Journal of King Saud University- Computer and Information Sciences 32（2020）709-717715见图6。 自适应混合精英AS在中心之间使用的箱形图须。表8自适应混合精英AS和其他方法在文献中的对象之间的计算之间的比较数据集自适应混合精英ASAACPPCA最好平均最好平均最好平均Lu.C157.62157.96157.62158.90157.8158.50日834.14872.58844.74866.51890.12917.97哈哈947.64969.61947.64969.61987.771007.81Bu.L.D5297.575387.155352.125429.165375.415398.43Wi.B.C18931915.351937194919341951.5圆周率20778.1120895.0621000.3521573.321958.3722313.47数据集AGDISA-MGDIISA最好平均最好平均最好平均Lu.C158.98159.98157.8159.20158.98161.14日898.97919.92892.57929.281228.81375.23哈哈10161044.531014.051043.21987.771049.03Bu.L.D5483.195599.165466.335631.025771.596028.67Wi.B.C19371964.82090.612124.7623382430.05圆周率23004.0923897.4822919.2724118.1824920.3926038.86粗体表示迄今为止获得的用于比较的最佳最小距离。尽管如此，大部分解被认为是质量好的解，因为其接近最佳质量解，这表明所提出的自适应混合精英- AS算法在许多数据集上是稳定的和稳定的由于自适应混合精英-AS优于混合精英-AS并且产生比混合精英-AS更好质量的解，因此随后，通过对比自适应混合精英-AS、混合改进的大规模搜索和迭代模拟退火算法（ISA-MGD）（Abuhamdah等人，2012）、自适应大规模免疫（AGD）（Abuhamdah等人，2014）、用于局部搜索算法（PPCA）的PLS机制（Abuhamdah，2015 a）和自适应验收标准算法（AAC）（Abuhamdah，2015 b），该算法摘自医学聚类问题的科学文献。表8展示了利用对象间计算的自适应混合精英AS之间的比较，并且表9展示了中心间计算的一致性。在表8和表9中，最佳表示最佳最小距离质量，平均表示平均分数（其中粗体表示从比较中获得的最佳结果）。表8和表9中的结果表明，自适应混合精英-AS算法优于传统算法，获得了良好的解质量716A.F. Abuhamdah/Journal of King Saud University- Computer and Information Sciences 32（2020）709- 717表9自适应混合精英-AS与文献中其他方法计算中心间的比较数据集自适应混合精英ASAACPPCA最好平均最好平均最好平均Lu.C151.32151.78151.62152.89151.32151.56日1997.572024.292028.272032.802027.352032.92哈哈2681.122699.402703.112719.882719.362721.17Bu.L.D10397.5710415.6110493.9510722.5910498.910511.13Wi.B.C1974.872047.8527783012.352093.322128.67圆周率46286.1446588.9248851.6254029.5448909.254751.22数据集AGDISA-MGDIISA最好平均最好平均最好平均Lu.C151.62153.23152.37153.04152.37154.28日2039.892046. 092070.162079.522039.892054.09哈哈2721.362721.5942721.362730.162721.362722Bu.L.D10498.910749.8510498.910969.2610498.910855.71Wi.B.C3010.73227.3813007.323281.7927783104.4圆周率48909.251248.7848909.257098.748909.254751.22粗体表示迄今为止获得的用于比较的最佳最小距离。优于IISA（Kittaneh等人， 2012）、ISA-MGD（Abuhamdah等人，2012 ） 、 AGD （ Abuhamdah 等 人 ， 2014 年 ） ， PPCA（Abuhamdah，2015年a）和AAC（Abuhamdah，2015年b）在一些数据集，并获得类似的其他数据集。同时，自适应混合精英-AS算法的平均得分优于文献中除Lu.C数据集外的其他平均得分方法。4. 结论本文研究了基于迭代局部搜索的混合精英AS在医疗聚类问题上的性能，并利用自适应机制对混合精英AS进行了再利用，提出了自适应混合精英AS。利用两个计算最小距离的距离函数（目标间距离和中心间距离），在6个医学聚类基准数据集上对混合精英AS和自适应混合精英AS算法进行了测试，并对混合精英AS和自适应混合精英AS算法与文献中不同结果表明，自适应混合精英-AS获得更好的质量解决方案比混合精英-AS和优于其他方法的结果在文献中的一些数据集和喜欢别人。因此，可以推断自适应混合精英AS比混合精英AS更适合于搜索空间的多样化和强化。然而，不同的邻域结构的选择可以很好地改善算法，具有更好的效果，这是一个未来的工作。引用Abuhamdah，A.，2015年a。 PLS局部搜索算法（PPCA）用于医学聚类问题。Int. J. 紧急情况Sci. 5（1），16-36。Abuhamdah ， A. ， 2015 年 b 。 最 优 化 问 题 的 自 适 应 接 受 准 则 算 法 。J. 计 算 机Sci.https://doi.org/10.3844/jcssp.2015的网站。11（4），675-691.Abuhamdah，A.，El-Zaghmouri，B.M.，Quteishat，A.，基塔内河，2012.混合迭代模拟退火与修正大洪水算法求解医疗聚类问题。世界计算Sci. Inf. Technol. J.（WCSIT）. 2（4），131-136。Abuhamdah，A.，Turabieh，Hamza，Abu-Zanona，Marwan，Khaleel，Yousef，2014. 自适应大洪水算法在医疗聚类问题中的应用。Int. J. Emerg. Sci.（IJES）4（1），1-13。ISSN：2222-4254。Ayvaz，D.，Topcuoglu，H.，Gurgen，F.，2012年。动态环境下进化算法的性能评估应用程序接口37（1），130-144。网址：//doi. org/10.1007/s10489-011-0317-9。Berkhin，P.，2002.聚类数据挖掘技术综述，圣何塞。CA，USA，Accrue Software.累积软件。可从accrue.com获得，Access 2011年2月Blum，C.，Roli，A.，2003.组合优化中的元分析学：概述与概念比较。ACM计算监视器（CSUR）35（3），268-308。Brucker，P.，1978.关于聚类问题的复杂性。在：Beckmenn，M.，Kunzi，H.P.（Eds.），优化与运筹学。经济学与数学系统讲义，第157卷。施普林格，柏林，pp. 45比54Christopher，B.，蒂姆，H.，詹姆斯，M.，2012.改进蚁群优化算法中的搜索算法。2012年IEEECongressonEvolutionaryComputation。http://doi.org/10.1109/CEC.2012.6252923网站。Dasgupta，S.，Freund，Y.，2009年矢量量化的随机投影树INF.Theory，IEEE Trans.55（7），3229戴维森岛，Satyanarayana，A.，2003.通过Bootstrap Averaging加速k-means聚类。在：IEEE ICDM 2003年研讨会上聚类大数据集。16比25Dorigo，M.， 1992. 优化，学习和自然算法[博士论文]。Politecnico di Milano，Italy.Dorigo，M.，2007.蚁群算法学术百科https://doi.org/10.4249/www.example.com 2（3），1461。Dorigo，M.，Gambardella，L.M.，1996. Ant-Q的一些性质的研究并行问题解决从自然-PPSN IV，在计算机科学讲义，第1141卷，页。 656- 665Ghaith，M. Jaradat，2016.求解对称旅行商问题的混合精英蚂蚁系统：Jordan案例。神经元计算申请https://doi.org/10.1007/s 00521 -016-2469-3。 29（ 2）， 565-578。Jaradat，Ghaith M.，Al-Badareen，Anas，Ayob，Masri，Al-Smadi，Mutasem，Al-Marashdeh，Ibrahim，Ash-Shuqran，Mahmoud，Al-Odat，Eyas，2019.求解护士排班问题的混合精英蚂蚁系统。J. King Saud University. INF. Sci. 31（3），378-384。Jaradat，Ghaith M.，Ayob，Masri，Al-Marashdeh，Ibrahim，2016.精英库在混合群体元算法求解组合优化问题中的作用。应用软件计算J. 44，45-56.Halkidi，M.，Batistakis，Y.，Vazirgiannis，M.， 2001. 关于聚类验证技术。J. Intell。Inf. Syst. 17，107-145.Holger，H.呼，Thomas，Stutzle，2004.随机局部搜索，第一版，基础和应用。电子书ISBN：9780080498249.霍兰德，J.，一九七五年自然和人工系统适应手册密歇根大学出版社，安阿伯。洪，S.，2006. K-means，fuzzy C-means和选择K和C的方法的实验[博士论文]。佛罗里达州奥兰多中佛罗里达大学。贾 恩 ， A. ， Murty ， M. ， Flynn ， P. ， 1999. 数 据 聚 类 ： 综 述 。 ACM 计 算 监 视 器（CSUR）。31，264-323。Jaradat，G.M.，Ayob，M.，2010年。 解决入学后排课问题的精英蚂蚁系统。数据库理论与应用，生物科学与生物技术，第118卷。施普林格，pp.167-176。基塔内河，Abdullah，S.，Abuhamdah，A.，2012.迭代模拟退火算法在医疗聚类问题中的应用。趋势应用科学https://doi.org/10.3923/tasr.2012.103.117。2，103-117.莫里克，美国，Bandyopadhyay，S.，2000.基于遗传算法的聚类技术。模式n。33，1455-1465.李明斌，小敏，你好，2016.一个优化的蚂蚁系统，用于聚类与精英蚂蚁和局部搜索。ITMWebofConferences，vol.7，p.05011.https://doi.org/10.1051/itmconf/20160705011。库河，巴西-地伯克，E.K.，McCollum，B.，梅洛L.T.G.李，S.Y.，2009.搜索方法的调查和自动化系统发展为考试成绩Proc. J. 时间表 12（1），55-89。Rossi-Doria ， O. ， 样 品 ， M. ， Birattari ， M. ， Chiarandini ， M. ， Dorigo ， M. ，Gambardella，L.M.，J.诺尔斯Manfrin，M.，Mastrolilli，M.，Paechter，B.，帕克特湖Stützle，T.，，2003年。不同元算法在排课问题上的性能比较。自动化时间表的实践和理论IV：第四届自动化时间表的实践和理论国际会议论文集（PATAT IV），计算机科学讲义，卷。两千七百四十Springer-Verlag，Gent，Belgium，pp. 329-351.A.F. Abuhamdah/沙特国王大学学报-计算机与信息科学32（2020）709-717717萨哈岛，Lewczynski，D.，莫里克，美国，Bandyopadhyay，S.，2010.一致性多目标差分 清 晰 聚 类 用 于 分 类 数 据 分 析 。 Rough Setsand Current Trends in Computing（RSCTC）6086 LNCS，pp. 30比39Socha，K.，诺尔斯，J.D.，Sampels，M.，2002.用最大最小蚂蚁系统求解大学排课问题。蚂蚁算法，计算机科学讲义，第2463卷，页。 63比77作者：Anthony K.H. Han，Jiawei，Lakshmanan，Laks V.S.，2001. Raymond T.大型数据库中基于约束的聚类。数据库理论，计算机科学讲义，卷。1973年，第100页。405- 419王，X.，2006.模糊聚类在傅里叶变换红外光谱分析中的应用[博士论文]。诺丁汉大学计算机科学与信息技术学院。永果湖，张玉，Hong，W.，毛，Y.，Kefei，C.，2008.最小平方和聚类问题的禁忌搜索方法。信息科学 J. 178（12），2680- 2704.张，C.，Ouyang，D.，Ning，J.，2010.一种人工蜂群聚类方法。专家系统应用37，4761
我的内容管理
展开
