یکی دیگر از مطالعات انجام‌شده در این زمینه، در سال ۲۰۱۱ در [۱۳۱] است. وربک ^[۱۳۱]و همکاران با بهره گرفتن از +AntMiner و ترکیب آن با روش ALBA مشتریان را خوشه­بندی کرده و سپس احتمال رویگردانی آن‌ها را مورد بررسی قرار دادند.

الگوریتم بهینه سازی ازدحام ذرات

الگوریتم بهینه­سازی ازدحام ذرات(PSO^[132]) یک الگوریتم محاسبه­ای تکاملی الهام گرفته از طبیعت و بر اساس تکرار می‌باشد که توسط کندی و ابرهارت در سال ۱۹۹۵ مطرح شد. منبع الهام این الگوریتم، رفتار اجتماعی حیوانات، همانند حرکت دسته جمعی پرندگان و ماهی‌ها است. الگوریتم PSO از تعداد مشخصی از ذرات تشکیل می­ شود که در شروع فرایند، به‌طور تصادفی، مقدار اولیه می­گیرند. هر یک از ذرات تعریف شده دارای دو مقدار وضعیت و سرعت می­باشند که به ترتیب با یک بردار مکان و یک بردار سرعت، مدل می‌شوند. این ذرات، بصورت تکرار شونده­ای در فضای چند‌ ‌بعدی مسئله حرکت کرده تا با محاسبه مقدار بهینگی به‌عنوان یک ملاک سنجش، به بهینه­ترین جواب دست یابند. در هر بار تکرار، همه ذرات در فضـای چند ‌بعدی مسئله حرکت مـی­کنند تا درنهایت بهینه­ترین مکان، پیدا شـود. یک حافظه به ذخیره بهترین موقعیت هر ذره در گذشته و یک حافظه به ذخیره بهترین موقعیت پیش آمده در میان همه ذرات، اختصاص می‌یابد. با بهره گرفتن از این حافظه­ها، ذرات تصمیم می­گیرند که در نوبت بعدی، چگونه حرکت کنند. ذرات، سرعت‌هایشان و موقعیتشان را برحسب بهترین جواب‌های مطلق و محلی بروز می‌کنند. الگوریتم ­PSO، بردار سرعت هر ذره را بروز کرده و سپس مقدار سرعت جدید را به موقعیت و یا مقدار ذره می‌افزاید. بروز کردن‌های سرعت، تحت تأثیر هر دو مقدار بهترین جواب محلی و بهترین جواب مطلق است. بهترین جواب محلی و بهترین جواب مطلق، بهترین جواب­هایی هستند که تا لحظه‌ی جاری اجرای الگوریتم، به ترتیب توسط یک ذره و در کل جمعیت به دست آمده‌اند[۱۳۲].
نویسندگان مقاله [۱۳۳]، به‌منظور حل مشکلات خوشه­بندی به روش K-means یک الگوریتم ترکیبی با نام PSO-Km ارائه کردند که ترکیبی از الگوریتم تکاملی بهینه­سازی ذرات و الگوریتم K-means می­باشد. این الگوریتم با بهره گرفتن از مزایای هر دو الگوریتم PSO و K-means عمل کرده و نتایج بهتری در فرایند خوشه­بندی ارائه می­ کند. روند فعالیت PSO-Km بدین صورت است که ابتدا فرایند با PSO آغاز شده و تا زمانی که بهینه­ترین جواب عمومی یافت شود ادامه می­یابد. پس از یافتن این جواب، جواب موردنظر به الگوریتم K-means سپرده شده تا با سرعت بالاتری اقدام به خوشه­بندی نماید.
در [۱۳۴] یک مکانیزم هوشمند برای مدیریت انتظارات مشتریان با بهره­ گیری از الگوریتم PSO ارائه‌شده است. این مکانیزم به‌گونه‌ای می­باشد که با مدیریت انتظارات مشتریان، ارزش ارائه‌شده به مشتریان را حداکثر کرده و هزینه­ های شرکت را کاهش می­دهد.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

در مطالعه دیگری که در سال ۲۰۰۹ در [۱۳۵] انجام شد، یک روش بخش­بندی بازار بر اساس ترکیب PSO و K-means توسعه داده شد. مدل بخش­بندی ترکیبی در بخش­بندی مشتریان یک شرکت ارائه­دهنده تجهیزات کامپیوتری استفاده شد و نتایج حاصل از خوشه­بندی توسط مدل ترکیبی، نشان از بهبود نتایج دارد.
در مقاله [۱۳۶] نیز یک الگوریتم خوشه­بندی جدید را بر مبنای الگوریتم PSO معرفی شده، که از شباهت میان ذرات به‌جای فاصله اقلیدسی استفاده می­کرد. این الگوریتم MEPSO نامیده می­ شود و برای داده ­های بزرگ، پیچیده و غیرقابل‌تفکیک مناسب می­باشد.
در [۱۳۷] نیز، ادنان^[۱۳۳] و همکاران از الگوریتم PSO برای پیش ­بینی رویگردانی مشتریان در صنعت مخابرات استفاده کردند.

الگوریتم کلونی زنبورعسل

الگوریتم­های مختلفی بر اساس شبیه­سازی زندگی زنبورعسل طراحی شده است. دسته­ای از الگوریتم­ها بر اساس رفتار جستجوی غذای گروه‌های زنبورعسل طراحی شده است. یک کلونی زنبورعسل می‌تواند در مسافت زیادی و نیز در جهت‌های گوناگون پخش شود تا از منابع غذایی استفاده کند. این الگوریتم نوعی از جستجوی محلی انجام می‌دهد که با جستجوی تصادفی ترکیب شده و می‌تواند برای بهینه­سازی ترکیبی یا بهینه‌سازی تابعی به کار رود. دسته دیگر از الگوریتم­ها بر اساس فرایند آمیزش زنبورعسل(HBMO^[134]) طراحی شده ­اند. هر کلونی زنبورعسل دارای یک ملکه بوده که وظیفه اصلی آن تخم­گذاری می­باشد. در هر کلونی، علاوه بر ملکه چندین هزار زنبور نر و بین ۱۰ تا ۶۰ هزار زنبور کارگر نیز وجود دارد. زنبورهای نر درواقع پدرهای یک کلونی بوده، این درحالیست که وظیفه اصلی کارگرهای نر نیز مراقبت از نوزادان و تخم­ها می­باشد. الگوریتم HBMO از ۵ مرحله اصلی تشکیل شده است:
الگوریتم با پرواز آغاز می­گردد، که در آن ملکه(بهترین جواب) بصورت احتمالی با زنبورهای نر آمیزش کرده و اسپرم آن‌ها را در اسپرم دان خود ذخیره می­ کند. سپس یک زنبور نر بصورت تصادفی برای ایجاد نوزاد از لیست انتخاب می­ شود.
ایجاد نوزادهای جدید از طریق ترکیب ژن زنبورهای نر با ژن ملکه.
استفاده از زنبورهای کارگر برای انجام جستجوی محلی بر روی نوزادان.
بهنگام کردن میزان برازش کارگرها مطابق با میزان بهبود ایجاد شده در نوزادان.
جایگزینی ملکه ضعیف­تر با نوزاد قوی­تر.
فتحیان و همکاران [۱۳۸]، از الگوریتم آمیزش زنبورعسل برای حل مشکل همگرایی k-means به نقاط محلی، استفاده کردند. آن‌ها با پیاده­سازی این الگوریتم بر روی داده ­های Iris، wine و Breast Cancer و مقایسه نتایج بدست آمده با نتایج سایر الگوریتم­ها نظیر(ACO، GA، TS و SA)، عنوان کردند که خوشه­بندی با الگوریتـم HBMO می ­تواند نتـایج بهتـری نسبت به سایر الگوریتـم­هـا تولید می­ کند.
یکی دیگر از مطالعات انجام‌شده با بهره گرفتن از الگوریتم زنبورعسل، [۱۳۹] است که در آن ابتدا با بهره گرفتن از الگوریتم SOM تعداد بهینه­ها خوشه ­ها تعیین شـده و سپس با بهره گرفتن از HBMO فرآینـد خوشه­بندی انجام می­ شود.

الگوریتم های ترکیبی

در تعدادی از مطالعات انجام‌شده در سالیان اخیر، پژوهشگران برای خوشه­بندی مشتریان، اسناد و… از ترکیبی از الگوریتم­های تکاملی استفاده کرده ­اند. هدف آن‌ها از ترکیب این الگوریتم­ها بهبود پاسخ­های تولید شده، بهبود در زمان اجرا و افزایش دقت بوده است. در ادامه تعدادی ازاین‌دست از مطالعات مورد بررسی قرار گرفته است.
در سال ۲۰۱۰، مدلی نوین FAPSO-ACO–K که ترکیبی از روش­های ACO و PSO فازی و K-means است در[۱۱۸] ارائه‌شده است. نتایج حاصل از ترکیب این الگوریتم­ها نشان می­دهد که الگوریتم ترکیبی ارائه‌شده سرعت و دقت بهتری نسبت به سایر روش­های خوشه­بندی دارد. این الگوریتم در یک کتاب فروشی اینترنتی پیاده­سازی گردید و نتایج مناسبی تولید کرد.
[۱۴۰] یکی دیگر از مطالعاتی است که در آن از ترکیب الگوریتم­ها استفاده شده است. در این مطالعه، از مدل ترکیبی PSO و HBMO برای خوشه­بندی تراکنش­های مشتریان بر مبنای مدل RFM استفاده شده است. روش کار بدین صورت است که ابتدا با بهره گرفتن از PSO جمعیت اولیه(ملکه و زنبورهای نر) تولید شده و سپس با بهره گرفتن از HBMO خوشه­بندی صورت می­گیرد.

مباحث تکمیلی

فرایند تحلیل سلسله مراتبی

فرایند تحلیل سلسله مراتبی(AHP) یکی از روش‌های تصمیم‌گیری است که برگرفته از واژه Analytical Hierarchy process می­باشد. این تکنیک اولین بار توسط توماس ال ساعتی^[۱۳۵] در سال ۱۹۸۰ مطرح شد. AHP با ایجاد ماتریس مقایسات زوجی، وزن هر یک از معیارهای تعیین شده را با توجه به نظر خبرگان و مدیران تعیین نموده و امکان بررسی سناریوهای مختلف را بوجود می ­آورد. فرایند تعیین وزن هر یک از معیارها با بهره گرفتن از روش AHP، از ۵ مرحله تشکیل گردیده است؛ این مراحل عبارتند از:
ساخت درخت سلسله مراتبی
مقایسه­های زوجی
ترکیب وزن­ها
تعیین وزن
تحلیل حساسیت(سازگاری)
در مرحله اول، درخت سلسله مراتبی موردنظر ترسیم و روابط بین معیارها مشخص می­ شود. این درخت از سه سطح هدف، معیارها و گزینه­ ها(آلترناتیوها) تشکیل شده است. در بالاترین سطح درخت، هدف یا پرسش اصلی که بایستی پاسخ داده شود قرار می­گیرد. در سطح دوم، معیارهای تأثیرگذار که درواقع وسایل اندازه ­گیری برازندگی آلترناتیوها هستند، قرار می­گیرد. در سطح آخر نیز گزینه­ های موجود برای پاسخگویی و دستیابی به هدف قرار گرفته که قرار است میزان برازندگی و وزن هریک توسط AHP مشخص شود. برای تعیین این اوزان با بهره گرفتن از فرایند سلسله مراتبی، نیاز به تشکیل ماتریس مقایسات زوجی می­باشد.
در مرحله دوم از روش AHP، ماتریس مقایسات زوجی تشکیل شده و عناصر بصورت زوجی باهم مقایسه می­شوند. روش تشکیل این ماتریس بدین گونه می­باشد که معیارها در سطر و ستون یک ماتریس تکرار شده و سپس خبرگان هر ۲ معیار را بصورت جداگانه باهم مقایسه کرده و نظر می­ دهند(رابطه ۲-۴۰).

در رابطه ۲-۴۰، ترجیح نسبی معیار i نسبت به معیار j است و m تعداد معیارها می­باشد.
هدف اصلی در فرایند AHP اینست که خبرگان و مدیران مختلف نظر خود را درمورد برتری هر معیار نسبت به معیار دیگر بیان کرده و سپس این وزن­ها با یکدیگر ترکیب شده و وزن­های نهایی مشخص شود شود. لذا در گام سوم بایستی وزن­های ارائه‌شده توسط خبرگان و مدیران باهم ترکیب شوند. روش رایج برای ترکیب ماتریس مقایسات زوجی مختلف، استفاده از روش میانگین هندسی می­باشد(رابطه۲-۴۱). همان‌گونه که در رابطه ۲-۴۱ نشان داده شده است، هدف ترکیب وزن­های می­باشد. در این رابطه، N نشان‌دهنده تعداد خبرگان و مدیران و نشان‌دهنده نظر شخص kام در مقایسه معیار i از j است.