Bug‘doy navlarini tanlash jarayoniga Multiagent texnologiyalarini qo‘llash

Delphi dasturlash tili ishchi muhiti. Delphi - Windows operatsion tizimida dastur yaratishga yo‘naltirilgan dasturlash muhitidir. Delphida dastur tuzish zamonaviy vizual loyihalash texnologiyalariga asoslangan bo‘lib, unda dasturlashning obyektga mo‘ljallangan g‘oyasi mujassamlashgan. Delphida dastur Turbo Pascal dasturlash tilining rivoji bo‘lgan Object Pascal tilida yoziladi.
Delphi — bir necha muhim ahamiyatga ega bo‘lgan texnologiyalar kombinatsiyasini o‘zida mujassam etgan:
• yuqori darajadagi mashinali kodda tuzilgan kompilyator;
• obyektga mo‘ljallangan komponentalar modullari;
• dastur ilovalarini vizual tuzish;
• ma'lumotlar bazasini tuzish uchun yuqori masshtabli vosita.
Delphi - Windows muhitida ishlaydigan dastur tuzish uchun qulay
bo‘lgan vosita bo‘lib, kompyuterda dastur yaratish ishlarini avto-matlashtiradi, xatoliklarni kamaytiradi va dastur tuzuvchi mehnatini yengillashtiradi. Delphida dastur zamonaviy vizual loyihalash texnolo-giyasi asosida obyektga mo‘ljallangan dasturlash nazariyasini hisobga olgan holda tuziladi.

3.2. Tizimning asosiy modellari va ularning amal qilish sxemasi.

Tizim quyidagi modellardan tashkil topgan:
1.Obyektlarni sinflarga ajratish
2.Tanlanma faylini sayqallash.
3.Tanlanma faylidagi alomatlarni latentlashtirish.
4.Bug‘doy navlarining umumlashgan baholarini hisoblash
Obyektlarni sinflarga ajratish jarayoni quyidagicha usul yordamida amalga oshiriladi.
K-means usuli. K-means (k-o‘rtacha) usuli 1950 yillarda Gugo Shteyngauz va Styuard Lloydlar tomonidan bir vaqtda kashf qilingan klasterizatsiyaning eng mashhur usulidir. Algoritmning mazmuni klaster nuqta (ob’ekt)larining shu klaster markazidan kvadratik og‘ishining yig‘indisini minimizatsiya qilishga harakat qilinadi:

bu yerda k – klasterlar soni, - olingan klasterlar, va - esa vektorlarning massa markazi.
Ikki o‘lchamli alomatlar fazosida algoritm namoyishi:

Berilgan barcha nuqtalar va tasodifiy tanlangan boshlang‘ich nuqtalar

Boshlang‘ich markazlarga tegishli nuqtalar. Tekislikni Voronov diagrammasiga yordamida boshlang‘ich markazlarga nisbatan bo‘lish.

Klasterlar yangi markazi hisoblanadi. (massa markazi izlanadi)

Markazlar siljimay qolguncha oldingi qadamlar takrorlanadi.

20-rasm.
Klasterlash algoritmlarini ko‘raylik.
Algoritm oldindan k ta klasterlar sonini berilishini talab qiladi.
Algoritm quyidagi qadamlardan iborat bo‘ladi:

1. 
   Har bir k klaster uchun ixtiyoriy ravishda uning markazi sifatida bo‘lgan obraz tayinlanadi. Aksariyat holatlarda o‘rgatuvchi tanlanmaning birinchi (yoki tasoddifiy olingan) k ta obrazlar olinadi.
   
2. 
   Tanlanmaning har bir obrazi, markazigacha bo‘lgan masofa minimal bo‘lgan sinfga tegishli deb hisoblanadi:
   

. (1)

3. 
   Sinfga qanday obrazlar kirganligini inobatga olgan holda klasterlar markazi qayta aniqlanadi:
   

, (2)
bu yerda sinfga tushgan obrazlar miqdori.

4. 
   Yaqinlashishga erishilguncha, ya’ni sinflar o‘zgarmay qolguncha 2 va 3 qadamlar takrorlanadi.
   

Garchi, k o‘rtacha algoritmi obrazlar juftligi uchun hisoblanadigan yaqinlik funksiyasiga asoslangan bo‘lsa ham, uning global o‘lchovni, ya’ni obrazlarning o‘z sinfining markaziga chetlashuvining o‘rtakvadratik yig‘indisini minimizatsiya qiladi.
k o‘rtacha algoritmining kamchiliklari:

• 
  sinflar sonini oldindan berilishidir. Ushbu muammoni yechish uchun algoritmni turli sondagi sinflar uchun amalga oshirib va ular ichidan qandaydir mezon bo‘yicha eng yaxshisini tanlashdir. Mezon sifatida obrazlardan sinflar markazlaridan masofalari yig‘indisini minimallashtirishda katta sondagi sinflar bo‘lgan yechimlarda ustunlikka erishadi, shu sababli yanada murakkab mezonlar talab qilinadi.
  
• 
  natija klaster boshlang‘ich markazlarini tanlashga bog‘liq, ularni optimal tanlash noma’lum.
  

Sinflar sonini oldindan berilishini talab qilmaydigan algoritmlar ham mavjud. Lekin ularning aksariyatida u yoki bu parametrlar qatnashadi. Klaster o‘lchami - bo‘sag‘ani berilishini talab qiluvchi sodda algoritmlardan biri quyidagi qadamlardan iborat bo‘ladi:

1. 
   O‘rgatuvchi tanlanmaning birinchi obrazidan bitta klaster
   

shakllantirilsin va hisoblansin.

2. 
   Navbatdagi, qaralmagan vektor tanlansin va
   

. (3)
Agar ushbu masofa bo‘sag‘adan kichik bo‘lsa ( ), obraz mos sinfga tegishli deb hisoblansin, aks holda sinflar soni bittaga oshiriladi va markazi bo‘lgan yangi sinf shakllantiriladi.

3. 
   Tanlanmaning barcha ob’ektlari uchun 2 –qadam takrorlansin.
   

Bu algoritm har bir obrazni bir martagina qandaydir sinfga tegishli deb aniqlashni talab qiladi va hisoblash nuqtai-nazaridan samarali bo‘lsa ham obrazlarni taqdim etish ketma-ketligiga kuchli bog‘liqdir. Algoritmning o‘ziga xosligidan biri - bo‘sag‘aning barcha sinflarga bir xil ekanligidir.
Agar bo‘sag‘a qiymati oldindan ma’lum bo‘lmasa, algoritmni bir nechta bo‘sag‘alar uchun bajarib, qandaydir mezon bo‘yicha eng yaxshi yechim tanlanadi.
Shuni qayd qilish kerakki, algoritm inkrement o‘rganishning sodda algoritmi sifatida qiziqish uyg‘otadi. Haqiqatan ham, obrazlar ketma-ket taqdim qilinadi va uning ishlashini quyidagicha izohlash mumkin bo‘ladi: yangi uchragan obraz oldindan aniqlangan sinflarning birortasiga ham o‘xshamasa, demak u oldin uchramagan sinflarning biriga tegishli. Agar ob’ekt ishonchli ravishda sinflangan bo‘lsa, tanlangan sinf bo‘yicha ma’lumotni to‘ldiradi: uning asosida sinf modeli yanada aniqlashadi (bu holda o‘rtacha vektor siljiydi).
Klasterlar qurishning boshqa strategiyalarini qo‘llashga asoslangan algoritmlar mavjud. Masalan, maksmin masofa algoritmida oldin sinflar prototipi sifatida bir-biridan eng uzoqlashgan (eng farqlanadigan) obrazlar ajratib olinadi. Shunday qilib, bir sinfga kiruvchi ob’ektlar o‘xshashligini maksimallashtirishdan tashqari turli sinflar ob’ektlarining farqlanishini ham maksimallashtiriladi.
ISODATA algoritmi k o‘rtacha algoritmiga asoslanadi, biroq amaliyotda foydaliligini ko‘rsatgan evristika va ularni sozlash parametrlarini o‘z ichiga oladi. Aprior sifatida beriladigan parametrlardan biri – bu klasterlar soni K. Bu son tavsiya sifatida ishlatiladi: algoritm ishlash jarayonidan undan kam sondagi yoki katta sondagi klasterlar qurilishi mumkin, lekin ular K sonidan keskin farq qilmaydi. Algoritmni to‘liq keltirmagan holda unda ishlatiladigan asosiy evristikalarni keltiramiz:

1. 
   Berilgan sondan kam elementlarga ega klasterlar yo‘q qilinadi.
   
2. 
   Ayni paytdagi har bir klaster uchun maksimal cho‘zilganlik qo‘nalishi aniqlanadi. Eng cho‘zilgan klaster ikkitaga ajratilishi mumkin. Ajratish bo‘yicha qaror, klaster o‘lchami va cho‘zilganlik yo‘nalishi inobatga olgan holda qabul qilinadi (ushbu o‘lcham fiksirlangan bo‘sag‘a va barcha klasterlarning o‘rtacha o‘lchamidan cheklanish bilan hamda kam bo‘lishi kerak bo‘lgan klasterlar umumiy soni (K parametrini inobatga olgan holda) bilan solishtirilishi mumkin).
   
3. 
   Agar klasterlar soni ko‘p bo‘lsa, markazlari o‘rtalaridagi masofa berilgan bo‘sag‘adan kichik bo‘lgan klasterlar birlashtiriladi (K parametrini inobatga olgan holda).
   

Yuqorida sanab o‘tilgan klasterlash algoritmlari o‘z mohiyatiga ko‘ra iterativ hisoblanib, guruhlashning mumkin bo‘lgan barcha variantlarini ko‘rib chiqishni cheklab o‘tish imkonini beradi, lekin bu usullar sinflar markazini joylashishi haqidagi boshlang‘ich gipotezaga va tanlanma ob’ektlarini taqdim etish ketma-ketligiga sezgir hisoblanadi. ISODATA algoritmida qo‘llaniladigan evristikalar nafaqat ma’qul bo‘lgan sinflar sonini tanlashga, balki maqbul yechim topishga, boshlang‘ich gipotezaga bog‘liqlikni yumshatishga (ularni to‘liq inkor qilmagan holda) yordam beradi.
Klasterlash algoritmlarining yana bitta muammosi - bu aprior tarzda masofa o‘lchami berilishi algoritm imkoniyatini keskin cheklaydi. Masalan, evklid masofasini ishlatilganda, qurilayotgan sinflar har doim chiziqli ajraluvchi bo‘ladi, mashinali o‘rgatish tizimlari tomonidan bu sinflarga mos keluvchi tomonidan aniqlangan tushunchalar yetarlicha sodda bo‘ladi. Tizimning ushbu modeli bug‘doy navlarini hosildorlik, don sifati, qurg‘oqchilikga chidamliligi kabi alomatlariga ko‘ra sinflarga ajratadi.

Tanlanma faylini sayqallash uchun modelda normallashtirish va standartlashtirish usullaridan foydalaniladi.