| Type de document | Thèse |
| Langue | fre |
| Titre | Algorithmes bio-inspirés pour le clustering des données [ressource textuelle, sauf manuscrits] |
| Auteur(s) | Ishak Boushaki, Saida (Auteur) Kamel, Nadjet (Directeur de thèse) Université des sciences et de la technologie Houari Boumediène (Editeur (scientifique)) |
| Adresse bib. | Alger : USTHB,2018 |
| Collation | 153 p. : ill. ; 30 cm + CD-Rom |
| Notes | Bibliogr. p. 137-153 |
| Notes de thèse | Doctorat : Informatique : Faculté d'Electronique et d'Informatique : Université des sciences et de la technologie Houari Boumediène : 2018 |
| Theme | Informatique |
| Mot (s) clé | Exploration de données Analyse des données Algorithmes Métaheuristiques Clusters Boewulf (infomatique) |
| Résumé | Dans le cadre de notre travail de thèse nous sommes intéressé au développement des algorithmes bio-inspirés et plus précisément la méta-heuristique récente de la recherche coucou (CS), pour la résolution de problème de clustering des données. Dans ce contexte, nous avons proposé plusieurs contributions. La première contribution apporte un nouvel algorithme de clustering basé sur la méta-heuristique CS. Tandis que, dans la deuxième contribution, nous avons proposé deux algorithmes de clustering qui sont des versions améliorées de CS standard. Ils étaient appliqués sur un domaine de recherche très actif c’est le clustering des documents. Le premier est un algorithme hybride, basé sur CS et le K-means. Alors que, dans le deuxième algorithme la procédure de recherche globale de CS standard a été renforcé par une procédure de recherche locale. Après, Dans notre troisième contribution nous avons proposé un algorithme qui est dynamique et incrémental, basé sur CS et l'indexation sémantique latente pour le clustering des documents. L’objectif de cet algorithme est de faire face aux insuffisances des algorithmes conventionnels de clustering des données textuelles à haute dimension basé sur une méta-heuristique, à savoir la détermination automatique du nombre de clusters, rendre l’algorithme incrémental et améliorer le modèle de représentation des documents avec plus de précision et moins de dimension. Enfin, dans la dernière contribution, nous avons présenté un nouvel algorithme de clustering basé sur la recherche de coucou quantique et chaotique. Dans cet algorithme, la population initiale a été générée en utilisant une carte chaotique. Alors que, la procédure de recherche globale a été améliorée par une technique de mise à jour quantique non homogène. En outre, une stratégie efficace pour gérer les valeurs limites a été incorporée afin d'améliorer la procédure de recherche. |
Ishak Boushaki, Saida
Algorithmes bio-inspirés pour le clustering des données [ressource textuelle, sauf manuscrits] / Saida Ishak Boushaki; Dir. Nadjet Kamel; Ed. Université des sciences et de la technologie Houari Boumediène.-Alger : USTHB,2018.-153 p. : ill. ; 30 cm + CD-Rom.
- Bibliogr. p. 137-153
Doctorat : Informatique : Faculté d'Electronique et d'Informatique : 2018
.
Exploration de données
Analyse des données
Algorithmes
Métaheuristiques
Clusters Boewulf (infomatique)
Dans le cadre de notre travail de thèse nous sommes intéressé au développement des algorithmes bio-inspirés et plus précisément la méta-heuristique récente de la recherche coucou (CS), pour la résolution de problème de clustering des données. Dans ce contexte, nous avons proposé plusieurs contributions. La première contribution apporte un nouvel algorithme de clustering basé sur la méta-heuristique CS. Tandis que, dans la deuxième contribution, nous avons proposé deux algorithmes de clustering qui sont des versions améliorées de CS standard. Ils étaient appliqués sur un domaine de recherche très actif c’est le clustering des documents. Le premier est un algorithme hybride, basé sur CS et le K-means. Alors que, dans le deuxième algorithme la procédure de recherche globale de CS standard a été renforcé par une procédure de recherche locale.
Après, Dans notre troisième contribution nous avons proposé un algorithme qui est dynamique et incrémental, basé sur CS et l'indexation sémantique latente pour le clustering des documents. L’objectif de cet algorithme est de faire face aux insuffisances des algorithmes conventionnels de clustering des données textuelles à haute dimension basé sur une méta-heuristique, à savoir la détermination automatique du nombre de clusters, rendre l’algorithme incrémental et améliorer le modèle de représentation des documents avec plus de précision et moins de dimension. Enfin, dans la dernière contribution, nous avons présenté un nouvel algorithme de clustering basé sur la recherche de coucou quantique et chaotique. Dans cet algorithme, la population initiale a été générée en utilisant une carte chaotique. Alors que, la procédure de recherche globale a été améliorée par une technique de mise à jour quantique non homogène. En outre, une stratégie efficace pour gérer les valeurs limites a été incorporée afin d'améliorer la procédure de recherche.