مُحسِّن Walrus المُحسَّن مع استراتيجية التعلم القائم على المعارضة والتحور لتجميع البيانات

يلعب تجميع البيانات دورًا حاسمًا في مجالات مختلفة، مثل معالجة الصور والتعرف على الأنماط واستخراج البيانات. غالبًا ما تعاني تقنيات التجميع التقليدية من قيود مثل حساسية التهيئة وضعف التقارب والاحتجاز في الأمثل المحلي. لمعالجة هذه التحديات، تقترح هذه الورقة مُحسِّنًا مُحسِّنًا مُحسِّنًا (IWO) مُصمَّمًا خصيصًا لمهام التجميع. يدمج مُحسِّن IWO المُقترح استراتيجيتين قويتين - التعلم القائم على المعارضة (OBL) واستراتيجية البحث عن الطفرات (MSS) - لتحسين تنوع المجموعات ومنع التقارب المبكر، وبالتالي تعزيز قدرات الاستكشاف والاستغلال. تُمكِّن هذه التحسينات من تحديد مراكز المجموعات بدقة واستقرار أكبر. يتم التحقق من فعالية مُحسِّن IWO من خلال تجارب مُكثَّفة على مجموعات بيانات تجميع مرجعية متعددة ومُقارنة بالعديد من خوارزميات الاستكشاف الفوقي الحديثة، بما في ذلك PSO وGWO وAOA وغيرها. تُظهر النتائج أن مُحسِّن IWO يُحقق نتائج أفضل، مما يُشير إلى تحسين في تماسك المجموعات وفصلها. يؤكد التحقق الإحصائي باستخدام القيم الاحتمالية ودرجات التصنيف تفوق الطريقة المقترحة. تشير هذه النتائج إلى أن IWO يوفر إطارًا قويًا ومرنًا لحل مشاكل التجميع المعقدة. ستستكشف الأعمال المستقبلية نماذج التعلم العميق الهجينة المتكاملة، والتطبيقات المتوازية، لتعزيز قابلية التوسع.