РЕШЕНИЕ ЗАДАЧИ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ НА ОСНОВЕ БИОИНСПИРИРОВАННОГО АЛГОРИТМА
Аннотация
Рассматривается биоинспирированный алгоритм для решения задач интеллектуаль-
ного анализа. Интеграция биоинспирированных алгоритмов для решения задач интеллек-
туального анализа данных является перспективным направлением исследований. В качест-
ве биоинспирированного алгоритма, рассмотрен алгоритм, основанный на адаптивном
поведении муравьиной колонии. Алгоритм муравьиной колонии позволяет производить ка-
чественный поиск перспективных решений для получения оптимальных и квазиоптималь-
ных решений. Алгоритм обладает способностью выполнять поиск подходящей логических
условий. Алгоритм муравьиной колонии основан на примере поведения живых муравьев в
природе. Муравьи способны находить кратчайшее решение адаптируясь к изменениям
окружающей среды. Авторами предложен модифицированный алгоритм муравьиной коло-
нии для решения задачи интеллектуального анализа данных. В качестве задачи интеллек-
туального анализа данных выбрана задача кластеризации. Кластеризация – объединение в
группы схожих объектов – является одной из фундаментальных задач в области анализа
данных и Data Mining. Список прикладных областей, где она применяется, широк: сегмен-
тация изображений, маркетинг, борьба с мошенничеством, прогнозирование, анализ тек-
стов и многие другие. Решение данной задачи приобретает особую актуальность в услови-
ях постоянно растущего объема генерируемых, передаваемых и обрабатываемых данных.
Классические методы кластеризации оптимизированы путем объединения с предложен-
ным алгоритмом биоинспирированной оптимизации – муравьиным алгоритмом. Предло-
женный метод представляет собой модель, в которой муравьи представлены в виде аген-
тов, которые случайным образом перемещаются в пространстве решений с некоторыми
ограничений (например, препятствия на их пути). Для определения эффективности разра-
ботанного модифицированного муравьиного алгоритма (АСО) с алгоритмом кластериза-
ции, авторами была проведена серия вычислительных экспериментов. Для сравнения были
взять генетический алгоритм, алгоритм обезьян и алгоритм волков. Результаты модели-
рования доказывают, что муравьиный алгоритм на основе кластеризации дает лучшие
результаты, чем другие предлагаемые алгоритмы.
Литература
Secure Cluster Management for Optimized Control Plane in Software-Defined Networks,
Network and Service Management IEEE Transactions on, 2018, Vol. 15, No. 1, pp. 27-38.
2. Farha Haneef, Ganesh Raj Kushwaha, Ashutosh K. Dubey. Analysis with Data Mining and
Ant Colony Algorithm for Implementing of Object Pool Optimization, 2011 International
Conference on Communication Systems and Network Technologies.
3. Rodzin S.I., Rodzina L.S. Theory of Bionic Optimization and its Application to Evolutionary
Synthesis of Digital Devices, 12th IEEE EAST-WEST DESIGN & TEST SYMPOSIUM
(EWDTS 2014). Kharkov: Kharkov National University of Radio Electronics, pp. 147-151.
4. Bova V.V., Kureichik V.V., Lezhebokov A.A. The integrated model of representation of
problemoriented knowledge in information systems, IEEE 8th International Conference on Application
of Information and Communication Technologies - AICT2014, Astana, pp. 111-114.
5. Rodzin S.I., Kureychik V.V. Teoreticheskie voprosy i sovremennye problemy razvitiya
kognitivnykh bioinspirirovannykh algoritmov optimizatsii [Theoretical issues and modern
problems of the development of cognitive bioinspired optimization algorithms], Kibernetika i
programmirovanie [Cybernetics and programming], 2017, No. 3, pp. 51-79.
6. Kravchenko Yu.A., Natskevich A.N. Model' resheniya zadachi klasterizatsii dannykh na osnove
ispol'zovaniya bustinga algoritmov adaptivnogo povedeniya murav'inoy kolonii i k-srednikh
[A model for solving the problem of data clustering based on the use of boosting algorithms
for adaptive behavior of an ant colony and k-means] Izvestiya YuFU. Tekhnicheskie nauki
[Izvestiya SFedU. Engineering Sciences], 2017, No. 7 (192), pp. 90-102.
7. Ershov K.S., Romanova T.N. Analiz i klassifikatsiya algoritmov klasterizatsii [Analysis and classification
of clustering algorithms], Novye informatsionnye tekhnologii v avtomatizirovannykh
sistemakh [New information technologies in automated systems], 2016, Issue 19, pp. 274-279.
8. Van D.M. and Engelbrecht A.P. Data clustering using particle swarm optimization, Proceedings
of The Congress on Evolutionary Computation, 2003, pp. 215-220.
9. Kravchenko Yu.A., Natskevich A.N., Kursitys I.O. Busting bioinspirirovannykh algoritmov
dlya resheniya zadachi klasterizatsii [Boosting bioinspired algorithms for solving the clustering
problem] Mezhdunarodnaya konferentsiya po myagkim vychisleniyam i izmereniyam [International
Conference on Soft Computing and Measurements], 2018, Vol. 1, pp. 777-780.
10. Shelokar P.S., Jayaraman V.K. and Kulkarni B.D. An Ant Colony Approach for Clustering,
Analytica Chimica Acta, 2004, Vol. 509, No. 2, pp. 187-195.
11. Yi-Tung Kao, Erwie Zahara and I-Wei Kao. A hybridized approach to data clustering, Expert
Systems with Applications, 2008, Vol. 34, No. 3, pp. 1754-1762.
12. Changsheng Zhang, Dantong Ouyang and Jiaxu Ning. An artificial bee colony approach for
clustering, Expert Systems with Applications, 2010, Vol. 37, No. 7, pp. 4761-4767
13. Miao Wan, Lixiang Li, Jinghua Xiao, Cong Wang and Yixian Yang. Data clustering using bacterial
foraging optimization, Journal of Intelligent Information Systems, 2012, Vol. 38, No. 2,
pp. 321-341.
14. Kuliev E.V., Lezhebokov A.A., Kravchenko Yu.A. Roevoy algoritm poiskovoy optimizatsii na
osnove modelirovaniya povedeniya letuchikh myshey [Swarm search engine optimization algorithm
based on bat behavior modeling], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya
SFedU. Engineering Sciences], 2016, No. 7 (180), pp. 53-62.
15. Kursitys I., Kravchenko Y., Kuliev E., Natskevich A. A bioinspired algorithm for improving the
effectiveness of knowledge processing, Advances in Intelligent Systems and Computing, 2021,
Vol. 1197 AISC, pp. 1491-1498.
16. Kuliev E.V., Zaporozhets D.Y., Kureichik V.V., Kursitys I.O. Wolf pack algorithm for solving
vlsi design tasks, Journal of Physics: Conference Series. Ser. "International Conference "Information
Technologies in Business and Industry" - 1 - Microprocessor Devices, Telecommunication
and Networking" 2019, pp. 022009.
17. Kuliev E.V., Kureichik V.V., Kursitys I.O. Decision making in VLSI components placement
problem based on grey wolf optimization, 2019 IEEE East-West Design and Test Symposium,
EWDTS 2019, 2019, pp. 8884371.
18. Kureychik V.V., Kuliev E.V., Kureychik V.V. Model' adaptivnogo povedeniya "obez'yan" dlya
resheniya zadachi komponovki blokov EVA [Model of adaptive behavior of "monkeys" for
solving the problem of EVA block layout], Informatizatsiya i svyaz' [Informatization and
communication], 2018, No. 4, pp. 31-37.
19. Kuliev E., Kureichik V., Kureichik V. Monkey search algorithm for ece components partitioning
// Journal of Physics: Conference Series, International Conference Information Technologies
in Business and Industry 2018 - Enterprise Information Systems, 2018, pp. 042026.
20. Bova V.V., Kravchenko Y.A., Kureichik V.V. Development of distributed information systems:
ontological approach, Advances in Intelligent Systems and Computing, 2015, Vol. 349,
pp. 113-122.
