As mentioned in the previous sectio

As mentioned in the previous sections, k-means is computationally light and converges after a limited iterations. However, the studies conducted by the researchers confirm that the algorithm is highly dependent on the initialization of centroids and usually gets stuck in local optimums. It was also mentioned that the ABC algorithm performs a global search in the entire solution space. If given enough time, ABC can generate good and global results. Therefore, here, we propose a new combined algorithm to use the merits of the two k-means and ABC algorithms for solving clustering problems. The proposed algorithm does not depend on the initial centroids and can avoid being trapped in a local optimum solution as well.

ผลลัพธ์ (ไทย) 1:

เป็นที่กล่าวถึงในส่วนก่อนหน้า k หมายถึง computationally เบา และ converges หลังซ้ำจำกัด อย่างไรก็ตาม ศึกษาที่ดำเนินการ โดยนักวิจัยยืนยันว่า อัลกอริทึมสูงขึ้นอยู่กับการเริ่มต้น centroids และมักจะติดอยู่ในท้องถิ่น optimums มันยังได้กล่าวว่า อัลกอริทึม ABC ทำการค้นหาในพื้นที่แก้ปัญหาทั้งหมด ถ้าให้เวลาเพียงพอ ABC สามารถสร้างผลลัพธ์ที่ดี และทั่วโลก ดังนั้น ที่นี่ เราเสนอขั้นตอนวิธีรวมใหม่ใช้ข้อดีของ k-หมายถึงสองและอัลกอริทึม ABC สำหรับการแก้ปัญหาระบบคลัสเตอร์ อัลกอริทึมนำเสนอขึ้นอยู่กับ centroids เริ่มต้น และสามารถหลีกเลี่ยงการติดอยู่ในท้องถิ่นเหมาะสมแก้ไขปัญหาเช่น

ผลลัพธ์ (ไทย) 2:

เป็นที่กล่าวถึงในส่วนก่อนหน้า, k-หมายถึงเป็นไฟคอมพิวเตอร์และลู่หลังจากการแสดงที่ จำกัด อย่างไรก็ตามการศึกษาที่ดำเนินการโดยนักวิจัยยืนยันว่าขั้นตอนวิธีการสูงขึ้นอยู่กับการเริ่มต้นของ centroids และมักจะได้รับการติดอยู่ใน optimums ท้องถิ่น นอกจากนั้นยังได้กล่าวถึงขั้นตอนวิธีการที่เอบีซีดำเนินการค้นหาทั่วโลกในพื้นที่แก้ปัญหาทั้งหมด ถ้าให้เวลาพอที่เอบีซีสามารถสร้างผลลัพธ์ที่ดีและระดับโลก ดังนั้นที่นี่เรานำเสนอขั้นตอนวิธีการทำงานร่วมกันใหม่เพื่อใช้ประโยชน์ของทั้งสอง K-หมายถึงขั้นตอนวิธีการและเอบีซีสำหรับการแก้ปัญหาการจัดกลุ่ม ขั้นตอนวิธีการที่นำเสนอไม่ได้ขึ้นอยู่กับ centroids เริ่มต้นและสามารถหลีกเลี่ยงการถูกขังอยู่ในการแก้ปัญหาที่ดีที่สุดในท้องถิ่นได้เป็นอย่างดี

ผลลัพธ์ (ไทย) 3:

ตามที่กล่าวไว้ในส่วนก่อนหน้านี้ k-means เป็น computationally แสงรอบๆกัดหลัง อย่างไรก็ตาม การศึกษาโดยนักวิจัยยืนยันว่าวิธีขึ้นสูงในการเริ่มต้นของจุดเซนทรอยด์ และมักจะติด optimums ท้องถิ่น มันเป็นยังกล่าวว่าขั้นตอนวิธีการค้นหา ABC ) ในพื้นที่สารละลายทั้งหมดถ้ามีเวลาพอ , ABC สามารถสร้างผลลัพธ์ที่ดีและทั่วโลก ดังนั้น ที่นี่เรานำเสนอวิธีรวมแบบใหม่เพื่อใช้ประโยชน์จากสอง k-means และขั้นตอนวิธีการจัดกลุ่ม ABC เพื่อแก้ไขปัญหา วิธีที่เสนอไม่ได้ขึ้นอยู่กับจุดเซนทรอยด์เบื้องต้นและสามารถหลีกเลี่ยงการถูกขังอยู่ในถิ่นที่เหมาะสมโซลูชั่นได้เป็นอย่างดี