ارائه یک مدل موازی مبتنی بر اجتماع مورچه ها برای استخراج قوانین طبقه بندی

در این مقاله با استفاده از الگوریتم بهینه سازی اجتماع مورچه ها، یک مدل موازی منعطف جهت استخراج قوانین دسته بندی در حجم عظیمی از داده ها، ارائه می شود. این الگوریتم بر اساس توسعه رفتار واقعی مورچه ها و مفاهیم داده کاوی می باشد. مورچه ها(عاملها) به صورت موازی و مستقل به جستجو و استخراج قوانین می پردازند. سپس با استفاده از نتایج به دست آمده از تمامی مورچه ها مقدار فرمون برای یک ترم مشخص می شود. موازی اجرا شدن عملیات مورچه ها باعث کاهش سرعت همگرایی الگوریتم می شود. این نتیجه به کشف قوانین جدید کمک می کند. همچنین مورچه ها با به اشتراک گذاشتن دانش خود از جمع آوری قوانین غیر مرتبط جلوگیری می کنند. نتایج به دست آمده نشان می دهد که الگوریتم ارائه شده در این مقاله، دقت بیشتری را نسبت به دیگر مدلهای ارائه شده در استخراج قوانین طبقه بندی دارد.