چکیده فارسی :

داده‌كاوی (تحلیل داده‌ها)، به طور معمول در تلاش برای استنتاج قوانین ارتباطی از تراكنش داده‌ها، مورد استفاده قرار گرفته است. در گذشته، از مفاهیم فازی و الگوریتم ژنتیك جهت كشف هم قوانین ارتباط فازی مفید و هم توابع عضویت مناسب، از مقادیر كمی استفاده می‌كردیم. اما، ارزیابی مقادیر تناسب كاملاً زمان‌بر بود. به دلیل افزایش چشمگیر قدرت محاسباتی در دسترس و كاهش همزمان هزینه‌های محاسباتی در دهه گذشته، یادگیری یا كاوش (كشف) از طریق بكارگیری تكنیك‌های پردازش موازی، به شیوه‌ای امكان‌پذیر جهت چیره شدن بر مسئله یادگیری كُند، تبدیل شده است. بنابراین، ما در این مقاله یك الگوریتم كاوش ژنتیك-فازی موازی بر اساس معماری اصلی پیرو جهت استنتاج قوانین ارتباطی و توابع عضویت ناشی از تراكنش‌های كمی را پیشنهاد می‌كنیم. پردازنده اصلی از یك جمعیت منفرد به عنوان كار الگوریتم ژنتیك ساده استفاده می‌كند و كارهای ارزیابی (تكاملی) تناسب را برای پردازنده‌های پیرو تقسیم می‌كند. فرایندهای تكاملی، همچون متقاطع، جهش و تولید، بوسیله پرازنده اصلی انجام می‌شوند. اجرای الگوریتم پیشنهادی بر اساس معماری اصلی- پیرو، خیلی عادی و كارآمد است. پیچیدگی‌های زمانی برای الگورتیم‌های كاوش ژنتیك-فازی موازی و ترتیبی نیز مورد تجزیه و تحلیل قرار گرفته‌اند كه نتایج آن تأثیر مثبت روش پیشنهاد شده را نشان می‌دهد. هنگامی كه تعداد نسل‌ها زیاد است، تسریع می‌تواند تقریباً خطی باشد. نتایج تجربی نیز این نكته را نشان می‌دهند. بنابراین بكارگیری معماری موازی اصلی- پیرو جهت تسریع الگوریتم داده‌كاوی ژنتیك-فازی، شیوه‌ای عملی، جهت چیره شدن بر مسئله ارزیابی تناسب با سرعت پایین در الگوریتم اصلی است.

چکیده انگلیسی :

Data mining is most commonly used in attempts to induce association rules from transaction data. In the past, we used the fuzzy and GA concepts to discover both useful fuzzy association rules and suitable membership functions from quantitative values. The evaluation for fitness values was, however, quite time-consuming. Due to dramatic increases in available computing power and concomitant decreases in computing costs over the last decade, learning or mining by applying parallel processing techniques has become a feasible way to overcome the slow-learning problem. In this paper, we thus propose a parallel genetic-fuzzy mining algorithm based on the master–slave architecture to extract both association rules and membership functions from quantitative transactions. The master processor uses a single population as a simple genetic algorithm does, and distributes the tasks of fitness evaluation to slave processors. The evolutionary processes, such as crossover, mutation and production are performed by the master processor. It is very natural and efficient to run the proposed algorithm on the master–slave architecture. The time complexities for both sequential and parallel genetic-fuzzy mining algorithms have also been analyzed, with results showing the good effect of the proposed one. When the number of generations is large, the speed-up can be nearly linear. The experimental results also show this point. Applying the master–slave parallel architecture to speed up the genetic-fuzzy data mining algorithm is thus a feasible way to overcome the low-speed fitness evaluation problem of the original algorithm.