خوارزمية فصيلة ميركات المعدلة لتعدين القواعد الرابطة
محتوى المقالة الرئيسي
الملخص
تشكل قواعد جمعيات التعدين (ARM) إحدى تقنيات التنقيب عن البيانات المهمة. أصبحت الأساليب الكلاسيكية التي عمل عليها الباحثون سابقًا غير فعالة للتعامل مع النمو المطرد لقواعد البيانات ، مما دفعنا إلى استخدام عملية التعدين لقواعد الارتباط القائمة على ميتاهيورستك، وفي عملنا سنستخرج جميع القواعد الصحيحة ، و التعدين لا يقتصر على القواعد عالية الجودة. ذكاء السرب يعتبر إحدى هذه الأساليب المعتمدة. في هذه الورقة، تم اقتراح تعديل فصيلة ميركات لتعدين قواعد الجمعية (MCC-ARM). تعتمد الخوارزمية المقترحة بشكل أساسي على خوارزمية فصيلة ميركات (MCA). أكبر فائدة هي تنوع الحلول المرشحة في MCA. سنقوم في عملنا بتمثيل القاعدة باستخدام طريقتين مستعارتين من الخوارزمية الجينية، في المجموعة الأولى، تشير كل مجموعة من القواعد إلى كائن في المجتمع و التي تدعى طريقة بيتسبرغ، بينما تشير القاعدة الثانية إلى كائن في المجتمع و التي تدعى طريقة ميشيغان. تهدف الخوارزمية المقترحة إلى فحص أكبر عدد ممكن من قواعد الارتباط الصحيحة. ما يسمى بخوارزمية تتبع نهج تحديد منطقة البحث الفعالة، والتي تعتمد على آلية عشوائية رئيسية لقيادة الخوارزمية في استخراج القواعد البديلة وتجنب الحلول الكلية من الاسترشاد بنفس القاعدة، وهذا أدى إلى قدر كبير من التنوع. بالإضافة إلى ذلك، يستخدم MCC-ARM طريقة التكثيف في عملية البحث المتجاورة لمنع الخوارزمية من الوقوع في الوضع المحلي. لإثبات كفاءتها، سنطبقها في أربع مجموعات بيانات موثوقة (مثل حديقة الحيوان، والائتمان الألماني، والورم الأساسي والشطرنج). لقد حصل التحسين الذي أحدثته الخوارزمية المقترحة على عاملين حاسمين ، وهما عدد القواعد الصحيحة وقيمة لياقة الجودة.
Received 29/10/2022
Revised 05/05/2023
Accepted 07/05/2023
Published Online First 20/10/2023
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Agrawal R, Imielinski T, Swami A. Mining association rules between sets of items in large databases. ACM SIGMOD '93 Int Conf. 1993; 22(2): 207-216. https://doi.org/10.1145/170036.170072.
Agrawal R, Srikant R. Fast Algorithms for Mining Association Rules in Large Databases. VLDB '94: Proc 20th Int Conf Very Large Data Bases. 1994; 487-499. https://courses.cs.duke.edu/compsci516/spring16/Papers/AssociationRuleMining.pdf.
Chen S, Xi J, Chen Y, Zhao J. Association mining of near misses in hydropower engineering construction based on convolution neural network text classification. 1st ed. Springer. 2022; 406 p. https://doi.org/10.1155/2022/4851615.
Czubryt T, Leung C, Pazdor A. Q-VIPER: quantitative vertical bitwise algorithm to mine frequent patterns. Big Data Analytics and Knowledge Discovery: 24th Int Conf, DaWaK. 2022; 219-233. https://doi.org/10.1007/978-3-031-12670-3_19.
Sharma A, Shoval S, Sharma, A, Pandey J. Path planning for multiple targets interception by the swarm of UAVs based on swarm intelligence algorithms: A review. IETE Tech Rev. 2022; 39(.3): 675-697. https://doi.org/10.1080/02564602.2021.1894250.
Sadiku M, Musa S, Ajayi-Majebi A. A Primer on Multiple Intelligences. 1st ed. Springer. 2021; pp: 211-222. DOI: 10.1007/978-3-030-77584-1_17.
Kicska G, Kiss A. Comparing Swarm Intelligence Algorithms for Dimension Reduction in Machine Learning. Big Data Cogn Comput. 2021; 5(3), 36-51. https://doi.org/10.3390/bdcc5030036.
Sharma A, Sharma A, Pandey J, Ram M. Swarm Intelligence: Foundation, Principles, and Engineering Applications.1st ed. CRC Press: Boca Raton. 2022; 140 p. https://doi.org/10.1201/9781003090038.
Bas E, Egrioglu E, Kolemen E. Training simple recurrent deep artificial neural network for forecasting using particle swarm optimization. Springer. Granul. Comput. 2022; 7: 411-420. https://link.springer.com/article/10.1007/s41066-021-00274-2.
Zhao D, Liu L, Yu F, Heidari A, Wang M, Oliva D. Ant colony optimization with horizontal and vertical crossover search: Fundamental visions for multi-threshold image segmentation. Elsevier. Expert Syst Appl. 2021; 167: 317-332. https://doi.org/10.1016/j.eswa.2020.114122.
Ogren R, Kong S. Optimization of diesel fuel injection strategies through applications of cooperative particle swarm optimization and artificial bee colony algorithms. Int J Engine Res. 2020; 22(9): 3030-3041. https://doi.org/10.1177/1468087420954020.
Liu C, Wang J, Zhou L, Rezaeipanah, A. Solving the multi-objective problem of IoT service placement in fog computing using cuckoo search algorithm. Neural Process. Lett. 2022; 54: 1823-1854. https://link.springer.com/article/10.1007/s11063-021-10708-2.
Mirjalili S, Song Dong J, Lewis A, Sadiq A. Particle swarm optimization: theory, literature review, and application in airfoil design. Nature-inspired optimizers: Springer; Stud Comput Intell. 2020; 167-184. https://doi.org/10.1007/978-3-030-12127-3_10.
Kurtuluş E, Yıldız A, Sait S, Bureerat S. A novel hybrid Harris hawks-simulated annealing algorithm and RBF-based metamodel for design optimization of highway guardrails. Mater Test. 2020; 62(3): 251-260. https://doi.org/10.3139/120.111478.
Mata J, Alvarez J, Riquelme J. Mining numeric association rules with genetic algorithms, Proc Int Conf Adapt Nat Comp Algo. Springer. 2001; 264–267. https://doi.org/10.1007/978-3-7091-6230-9_65.
Mata J, Alvarez J, Riquelme J. An evolutionary algorithm to discover numeric association rules, Sac 02 Proc ACM Symp Appl Comput. Springer. 2002; 590–594. https://doi.org/10.1145/508791.508905.
Guo H, Zhou Y. An Algorithm for Mining Association Rules Based on Improved Genetic Algorithm and its Application, 3ed Int Conf Genetics Evol Comput. IEEE Access. 2009; 117–120. https://doi.org/10.1109/WGEC.2009.15.
Yan X, Zhang C, Zhang S. Genetic algorithm-based strategy for identifying association rules without specifying actual minimum support. Expert Syst Appl Elsevier. 2009 Mar 17; 36(2); 3066–3076. https://doi.org/10.1016/j.eswa.2008.01.028.
Mohammed R, Duaimi M, Sadiq A. Modified Bees Swarm Optimization Algorithm for Association Rules Mining. Iraqi J Sci. 2022 Jan 18; 58(1); 364-376. https://www.iasj.net/iasj/download/e1498ea57bb18ffd.
Al-Obaidi A, Abdullah H, Ahmed Z. Meerkat Clan Algorithm: A New Swarm Intelligence Algorithm, Indones. J Electr Eng Comput Sci. 2018 April 1; 10(1); 354-360. https://doi.org/10.11591/ijeecs.v10.i1.pp354-360.
Bishop J, Gallagher M, Browne W. Pittsburgh learning classifier systems for explainable reinforcement learning: comparing with XCS. Proc Genetics Evol Comput Conf. 2022 July 9; 323–331. https://doi.org/10.1145/3512290.3528767.
Yang N, Mehmood D. Multi-Objective Bee Swarm Optimization Algorithm with Minimum Manhattan Distance for Passive Power Filter Optimization Problems. Mathematics. MDPI. 2022 Jan 2; 10(1) 133-153. https://doi.org/10.3390/math10010133.
Djenouri Y, Drias H, Habbas Z, Mosteghanemi H. Bees swarm optimization for web association rule mining. Int Conf Web Intell intelligent Agen Technol. IEEE Access. 2012; 142–146. https://doi.org/10.1109/WI-AT.2012.148.
Surry P, Radcliffe N. Inoculation to initialize evolutionary search. Comput Sci. Springer, 1996, 169-285. https://doi.org/10.1007/BFb0032789.
Yasser Y, Sadiq A, AlHamdani W. Honeyword Generation Using a Proposed Discrete Salp Swarm Algorithm. Baghdad Sci J. 2022: 0357-0357. https://doi.org/10.21123/bsj.2022.6930.
Mazher A, Waleed J. Retina Based Glowworm Swarm Optimization for Random Cryptographic Key Generation. Baghdad Sci J. 2022; 19(1); 0179-0179. http://dx.doi.org/10.21123/bsj.2022.19.1.0179.