Multi-Objective Evolutionary Algorithms for Knowledge Discovery from Databases

داده کاوی (DM) متداول‌ترین نامی است که برای توصیف چنین تحلیل محاسباتی داده‌ها استفاده می‌شود و نتایج به‌دست‌آمده باید با چندین هدف از جمله دقت، قابل فهم بودن، علاقه برای کاربر و غیره مطابقت داشته باشد. اگرچه بسیاری از موارد پیچیده وجود دارد. تکنیک‌های توسعه‌یافته توسط حوزه‌های بین‌رشته‌ای مختلف، تنها تعداد کمی از آنها برای رسیدگی به این مسائل چند معیاره DM مجهز هستند. بنابراین، مسائل DM توجه قابل توجهی از جامعه الگوریتم ژنتیک چندهدفه به خوبی تثبیت شده برای بهینه سازی اهداف در وظایف DM را به خود جلب کرده است.

جلد حاضر مجموعه ای از هفت مقاله حاوی نتایج تحقیقات جدید و با کیفیت بالا را ارائه می دهد. نشان دادن اهمیت الگوریتم های تکاملی چند هدفه (MOEA) برای وظایف داده کاوی در کشف دانش از پایگاه های داده (KDD). این مقالات توسط کارشناسان برجسته در سراسر جهان نوشته شده است. نشان داده شده است که چگونه می توان از MOEA های مختلف، هم به صورت فردی و هم به صورت یکپارچه، به روش های مختلف برای استخراج کارآمد داده ها از پایگاه های داده بزرگ استفاده کرد.

Data Mining (DM) is the most commonly used name to describe such computational analysis of data and the results obtained must conform to several objectives such as accuracy, comprehensibility, interest for the user etc. Though there are many sophisticated techniques developed by various interdisciplinary fields only a few of them are well equipped to handle these multi-criteria issues of DM. Therefore, the DM issues have attracted considerable attention of the well established multiobjective genetic algorithm community to optimize the objectives in the tasks of DM.

The present volume provides a collection of seven articles containing new and high quality research results demonstrating the significance of Multi-objective Evolutionary Algorithms (MOEA) for data mining tasks in Knowledge Discovery from Databases (KDD). These articles are written by leading experts around the world. It is shown how the different MOEAs can be utilized, both in individual and integrated manner, in various ways to efficiently mine data from large databases.