تعد عنقدة البيانات إلى مجموعات متجانسة مهمة محورية في التعلم غير الموجه، إذ تتيح اكتشاف الأنماط الكامنة في البيانات دون تصنيفات مسبقة، غير أن كثيرًا من الخوارزميات القائمة تعاني مشكلات معروفة كالوقوع المبكر في الحلول الموضعية وضعف قدرات البحث الموضعي وصعوبة التعامل مع البيانات المعقدة أو غير المتوازنة، وحتى الأساليب الراسخة واسعة الاستخدام كخوارزمية المتوسطات ك التي تتميز ببساطتها تصطدم بمحدودية أمام العناقيد غير الكروية وحساسيتها لقيم التهيئة الأولية وتدهور أدائها في الأبعاد العالية
وفي هذا السياق برزت الخوارزميات فوق الاستدلالية بديلًا واعدًا لما تتمتع به من قدرات قوية على البحث الشامل، ومنها خوارزمية تحسين الحبار المستوحاة من سلوك الحبار في التمويه والتكيف، وقد أظهرت إمكانات طيبة في تطبيقات التجميع، لكنها تعاني بدورها التقارب المبكر وضعف قدرتها على التحسين الموضعي، وهو ما دفع الباحثين في هذه الدراسة إلى تطوير نسخة محسنة تعالج هذه الثغرات
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تقديم أسلوب جديد للتجميع يقوم على خوارزمية تحسين الحبار معززة بطريقة السيمبلكس المعروفة بطريقة نيلدر وميد، بحيث تتحسن جودة الحلول الموضعية ويستقر التقارب نحو الحل الأمثل، أطلق عليه اسم خوارزمية الحبار المحسنة بالسيمبلكس
واعتمدت المنهجية تقسيم مجتمع الحلول إلى أربع مجموعات فرعية لكل منها استراتيجية تحديث خاصة، إذ توظف إحدى المجموعات طريقة نيلدر وميد لتحسين جودة الحلول، بينما تعمل المجموعات الأخرى على الحفاظ على التوازن بين الاستكشاف والاستغلال في فضاء البحث، ثم قورن أداء الخوارزمية المقترحة بأربع خوارزميات تجميع راسخة هي خوارزمية الحبار الأصلية وخوارزمية سرب الجسيمات وخوارزميتان أخريان من الخوارزميات فوق الاستدلالية، وجرى التقييم على أربع عشرة مجموعة بيانات تشمل مجموعتين اصطناعيتين واثنتي عشرة مجموعة معيارية مستمدة من مستودع التعلم الآلي بجامعة كاليفورنيا في إيرفاين، مع التحقق من النتائج باختبارات إحصائية لا معلمية
ثانيًا: أبرز النتائج
أظهرت المقارنات التجريبية تفوقًا متسقًا للخوارزمية المقترحة، ويمكن إجمال أبرز النتائج في النقاط الآتية
1- تفوقت الخوارزمية المقترحة على جميع الأساليب المنافسة في مجموعات البيانات الأربع عشرة كلها، محققة دقة تجميع أعلى من نظيراتها
2- أظهرت الخوارزمية سرعة تقارب أكبر نحو الحلول الجيدة مقارنة بالخوارزميات الأخرى، بما يقلل زمن الوصول إلى تجميعات مستقرة
3- تميز أداء الخوارزمية باستقرار محسن عبر مرات التشغيل المختلفة، وهو ما يعزز الثقة في الاعتماد عليها في التطبيقات العملية
4- أكدت الاختبارات الإحصائية اللامعلمية أن تحسنات الأداء التي حققتها الخوارزمية ذات دلالة إحصائية وليست راجعة إلى المصادفة
5- أظهر التحليل أن التصميم المعزز بطريقة السيمبلكس عزز الاستغلال الموضعي ووطد استقرار التقارب، وهو الأساس الذي قام عليه تفوق الخوارزمية على الأساليب الأساسية
ثالثًا: دلالات الدراسة وتطبيقاتها
تبين هذه النتائج قيمة الجمع بين قدرات البحث الشامل التي توفرها الخوارزميات فوق الاستدلالية وقدرات التحسين الموضعي الدقيق التي توفرها الطرق الرياضية الكلاسيكية كمثلث نيلدر وميد المرن، فبدلًا من الاعتماد على آلية واحدة يتيح التهجين الواعي تجاوز نقاط ضعف كل آلية على حدة، كما أن تقسيم مجتمع الحلول إلى مجموعات متخصصة الأدوار يقدم نموذجًا قابلًا للنقل إلى خوارزميات تحسين أخرى تعاني مشكلات مشابهة في التوازن بين الاستكشاف والاستغلال، وتنفتح بذلك آفاق لتوظيف الخوارزمية المقترحة في مهام تجميع واقعية كتقسيم العملاء وتحليل الصور واكتشاف الأنماط في البيانات الضخمة
ومن زاوية أوسع تؤكد الدراسة أن مشكلات التجميع الواقعية لا تعالجها زيادة تعقيد الخوارزمية وحدها، بل يعتمد النجاح على تصميم متوازن يدير العلاقة بين استكشاف فضاء الحلول الواسع واستغلال المناطق الواعدة فيه إدارة دقيقة، فالخوارزميات التي تنجح في هذا التوازن تكون أقدر على التعامل مع البيانات المعقدة وغير المتوازنة التي تصادف في التطبيقات العملية كتحليل سلوك العملاء وتصنيف الصور الطبية وكشف الاحتيال، وتمنح نتائج هذه الدراسة الباحثين أساسًا موثوقًا للبناء عليه في تطوير نسخ أسرع وأكثر قابلية للتوسع نحو البيانات الضخمة وعالية الأبعاد
وخلاصة القول إن خوارزمية الحبار المعززة بطريقة السيمبلكس تمثل تطويرًا ناجحًا لخوارزميات التجميع فوق الاستدلالية، إذ عالجت مشكلتي التقارب المبكر وضعف التحسين الموضعي، وأثبتت تفوقها بدلالة إحصائية على أربع عشرة مجموعة بيانات، بما يجعلها خيارًا جديرًا بالاعتماد في تطبيقات تجميع البيانات المتنوعة