بهره­گیری از فضاهای پیراشهری به عنوان کالاهای استراتژیک و مقرون­به­صرفه جهت توسعۀ خوشه­های نوآوری، شهرها را به سمت تحقق توسعۀ پایدار و اکوسیستم نوآور بر مدار اقتصاد دانش­بنیان رهنمون می­سازد. هدف این پژوهش، شناسایی و استخراج مراحل تکوین و توسعۀ خوشه­های نوآوری جهت کاربست آن در فضاهای پیراشهری است. روش پژوهش حاضر، از لحاظ ماهیت، کیفی، ازنظر هدف، کاربردی-توسعه­ای و از نوع مطالعات ثانویه با رویکرد مرور سیستماتیک ادبیات منطبق بر فرآیند هشت مرحله ای اوکلی(2015) است. جامعۀ آماری شامل مقاله­ها، کتاب­ها و پایان­نامه­های مربوط به خوشه­های نوآوری شهری، ­از سال 2000 تا 2023 است. حجم نمونه شامل 32 منبع می­باشد. بر اساس نتایج پژوهش، بیشترین منابع پژوهش مربوط به سال­های  2018-2023 ( 62 درصد منابع) و پایگاه­های داده­­ای ساینس دایرکت و اشپرینگر است(به ترتیب 28 و 22 درصد منابع). بر اساس نتایج حاصل از تحلیل منابع، 113 کد بر تکامل و توسعۀ خوشه­های نوآوری شهری جهت کاربست آن ها در فضاهای پیراشهری تأثیرگذار هستند که در 26 مقوله مشتمل بر برنامه­ریزی راهبردی، پیش­نیازها، سازمانی، مدیریت، ساختار جمعیت، محیط فرهنگی، خدمات، مدیریت دولت، الزامات فرهنگی، زیرساخت اقتصادی، مالی، ساختار صنعتی، انباشت صنعتی، سطح اقتصادی، نوآوری فناورانه، موقعیت جغرافیایی، ارتباط صنعت-دانشگاه، مقیاس شهر، محیط اکولوژیک، طراحی و محیطی طبقه بندی شده اند. این مقوله ها در هشت کد محوری متشکل از نهادی، اجتماعی- فرهنگی، اقتصادی، انباشت جغرافیایی و فضایی، زیرساخت و غیره طبقه بندی شده اند. مراحل توسعه و تکوین خوشه­های نوآوری شامل مرحله پیش­خوشه و ظهور خوشه، راه­اندازی، فاز رشد خوشۀ پسین، پایداری، زوال و درنهایت سازگاری خوشه­ای، جهش یا فرسودگی است.

مساله خوشه بندی به منظور کمینه کردن مجموع مجذور انحراف، یک مساله غیر خطی و غیر محدب بوده و دارای تعداد زیادی نقاط بهینه محلی است. در مسائل خوشه بندی در دنیای واقعی، اغلب با مجموعه داده هایی مواجهیم که از ترکیبی از مقادیر عددی و دسته ای تشکیل شده اند. در حالیکه اغلب روشهای خوشه بندی موجود تنها بر روی داده های عددی از کارایی مناسبی برخوردارند و قابلیت استفاده بر روی داده های مختلط را ندارند. از سوی دیگر، بیشتر روشهای سنتی، تعداد خوشه ها را به عنوان ورودی از کاربر طلب می کنند. در حالیکه در بیشتر موارد تعداد خوشه ها برای کاربر مقداری نامعلوم است و حدس زدن مقدار آن نیز به خصوص در مورد مجموعه داده های بزرگ کاری مشکل و حتی غیرممکن است. در این مقاله قصد داریم تا با بهره گیری از روشی دقیق تر جهت اندازه گیری فاصله میان مقادیر دسته ای، روش جدیدی را برای خوشه بندی داده های مختلط ارائه نماییم که نیازی به تعیین تعداد خوشه ها به عنوان ورودی الگوریتم نداشته و قادر است همزمان با خوشه بندی داده ها، مقدار بهینه برای تعداد خوشه ها را محاسبه نماید. در روش پیشنهادی معکوس شاخص Davies-Bouldin به عنوان تابع برازش در نظر گرفته شده و به منظور جستجوی فضای جواب از الگوریتم ژنتیک استفاده می شود. برای ارزیابی عملکرد الگوریتم از دو گروه از داده های استاندارد و شبیه سازی شده استفاده شده است. نتایج بدست آمده، عملکرد بسیار بالای الگوریتم پیشنهادی را نشان می دهد.

اخیرا روش جدیدی برای خوشه بندی داده ها، توسط گو و همکارانش در [13] ارایه شده است، که از تحلیل پوششی داده ها (DEA) برای خوشه بندی استفاده می کند. این روش، برای خوشه بندی داده هایی با مولفه های ورودی و خروجی، از توابع تولید قطعه قطعه خطی به دست آمده از مدل های DEA استفاده می کند. اما الگوریتمی که به این منظور پیشنهاد شده است، به دلیل وجود جواب های چندگانه برای مدل های DEA، یک مشکل اجرایی دارد. لذا در مقاله حاضر، مشکل الگوریتم مذکور تشریح و الگوریتم جدیدی جهت خوشه بندی صحیح یک گروه از داده ها با استفاده از DEA، ارایه خواهد شد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

امروزه، خوشه بندی نقش مهمی را در اغلب زمینه های تحقیقاتی مانند مهندسی، پزشکی، زیست شناسی، داده کاوی و. . . ایفا می نماید. در واقع خوشه بندی به معنای تقسیم بندی بدون نظارت می باشد. داده ها با استفاده از آن به دسته هایی که از نظر پارامترهای موردعلاقه، شباهت بیشتری به یکدیگر دارند، تقسیم می گردند. یکی از روش های معروف در این زمینه k-means می باشد. در این روش علی رغم وابستگی به شرایط اولیه و همگرایی به نقاط بهینۀ محلی، تعداد N داده به k خوشه با سرعت بالا، دسته بندی می شوند. در این مقاله جهت رفع مشکلات موجود از روش ترکیبی مبتنی بر الگوریتم های تکاملی و تئوری آشوب و k-means بهره گرفته خواهد شد؛ که علاوه بر رفع مشکلات ذکرشده، مستقل از تعداد متغیرها نیز خواهد بود. در این مقاله به منظور اعتبارسنجی، روش های پیشنهادی بر روی 13 مجموعۀ متفاوت مشهور پیاده سازی می گردد و نتایج با روش های الگوریتم ژنتیک، اجتماع ذرات، کلونی زنبور عسل، تبرید شبیه سازی شده، تکاملی تفاضلی، جستجوی هارمونی و k-means مقایسه خواهند گردید. توانایی بالا و مقاوم بودن این روش ها بر اساس نتایج مشهود خواهد بود.

خوشه بندی، فرآیند طبقه بندی داده ها داخل گروه ها یا خوشه های خاص، بر اساس درجه شباهت بین آن هاست که یکی از روش های پرکاربرد در بسیاری از زمینه های علمی است. در ادبیات خوشه بندی، در سال های اخیر محققان برای اجتناب از گرفتار شدن در بهینه محلی، الگوریتم های فراابتکاری را که از پدیده های اجتماعی و طبیعی الهام گرفته است برای حل مسایل خوشه بندی ارایه کرده اند. در این مقاله الگوریتم جستجوی هارمونی (HSA) که مبتنی بر عملکرد سازهای موسیقی است به عنوان یک الگوریتم توانا در حل مسایل خوشه بندی در نظر گرفته می شود. برای ارزیابی توانایی الگوریتم چندین مجموعه داده استاندارد و واقعی ارایه می شود. نتایج شبیه سازی نشان می دهد که الگوریتم HSA کارایی بالایی در به دست آوردن جواب های مطلوب دارد.

داده کاوی تلفیقی از روش های هوش مصنوعی برای شناسایی اطلاعات یا استخراج دانش از داده هاست، به نحوی که دانش حاصل در حوزه های تصمیم گیری، پیش بینی، پیش گویی و تخمین مورد استفاده قرار گیرد. تحلیل رفتار مشتریان، دسته بندی مشتریان، شناخت نیازهای مشتریان و پیش بینی در مباحث پزشکی ازجمله کاربردهای داده کاوی است. خوشه بندی یکی از روش های بدون نظارت الگوریتم های داده کاوی است که به یافتن یک ساختار مشخص درون مجموعه یی از داده های بدون برچسب می پردازد. یکی از الگوریتم های متداول خوشه بندی، الگوریتم k-means است. از معایب این الگوریتم «انتخاب تصادفی خوشه های اولیه» در آغاز الگوریتم است که موجب تفاوت نتیجه در هر بار اجرای الگوریتم می شود. در این پژوهش، با استفاده ازالگوریتم سلسله مراتبی مدل جدیدی ارائه شده که می کوشد مشکل الگوریتم k-means را برطرف سازد. در ادامه، نتیجه ی اجرای این الگوریتم تلفیقی جدید روی داده های واقعی مربوط به «ناباروری بیمارستان صارم» ارائه شده است.

الگوریتم رقابت استعماری (ICA)، یکی از کاراترین الگوریتم های فرا ابتکاری برای پیدا کردن جواب بهینه سراسری در مسائل بهینه سازی می باشد. در این مقاله از الگوریتم رقابت استعماری برای خوشه بندی خودکار مجموعه داده های بزرگ و واقعی بدون برچسب استفاده شده است. با بهره گیری از ساختار مناسب برای هر یک از کروموزم ها و استفاده از الگوریتم رقابت استعماری، در زمان اجرا تعداد بهینه خوشه ها هم زمان با خوشه بندی بهینه داده ها به دست می آید. همچنین برای افزایش دقت و افزایش سرعت همگرایی، ساختار الگوریتم رقابت استعماری با تغییراتی همراه است. روش پیشنهادی (ACICA) نیاز به هیچ گونه دانش قبلی برای خوشه بندی داده ها ندارد. علاوه بر آن روش پیشنهادی در مقایسه با سایر روش های خوشه بندی مبتنی بر الگوریتم های تکاملی، دقت بیشتری را دارد. از معیارهای ارزیابی خوشه بندی DB و CS به عنوان تابع هدف استفاده شده است. برای نشان دادن برتری روش پیشنهادی، میانگین مقدار بهینه تابع هدف و تعداد خوشه های تعیین شده توسط روش پیشنهادی با سه الگوریتم خوشه بندی خودکار مبتنی بر الگوریتم های تکاملی مقایسه می شود.