TELKOM NIKA , Vol. 13, No. 4, Dece mb er 201 5, pp. 1384 ~1 389   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v13i4.xxxx    1384      Re cei v ed Ma rch 2 6 , 2015;  Re vised Sept em ber  26, 20 15; Accepted  Octob e r 12, 2 015   Text Mining Research Based on Intelligent Computing  in Information Retrieval System      Yong Li  Cho ng Qin g  T e chno log y   and  Busin e ss Institute, Chon g Qin g  Cit y ,  4 000 52,  Chin a   email: li yo n g 0 4 171 51@ 12 6.co m      A b st r a ct   W i th the pop ul arity and ra pi d deve l op ment o f  the In ternet, w eb text informati on h a s rap i dly gr ow n   as w e ll. T o  ad d r ess the  key  pr obl e m  of  text  mi nin g , text cl u s tering  is  inves t igated  in  this  s t udy. T he s huff l ed   frog le ap ing  al gorith m   as a  n e w  type of sw a r m i n tel lig enc e  opti m i z at io n a l gorith m  c an  be  use d  to i m pro v e   the perfor m a n c e of the K-means a l g o ri th m, but the shuffled frog l e a p in g alg o rith m is  influ ence d  by i t s  mov i n g  step l e ngth. On the b a sis of this i n formatio n ,  the s huffled fro g  le a p in g al gorith m   is improv ed, a n d   the K- me ans c l usteri ng  alg o ri thm  bas ed  on  the i m prov e d  shuffle d  frog  l eap ing  al gor ith m   is intr oduc e d .  Experi m ent re sults show  that t he propose d  scheme can  enh anc e the a b ilit y of searc h ing for the opti m a l   initia l cluster i n g  center an d can  effectively  avoid i n stabi l i ty in t he clus tering res u lts of the K-me a n s   clusteri ng a l gor ithm. T he  pro p o sed sc he me  also re duc es  the ch ances  of the al gorit h m  f a lli ng i n to the  l o ca l   opti m u m . T h e  perfor m anc e  of the prop os ed cluster i n g  sche m e is fo u nd to be  b e tte r than that of the  clusteri ng al gor ithm b a se d on  the shuffle d  frog lea p in g al gori t hm.      Ke y w ords : T e xt Mining, Shuf fled F r og Le ap i ng Alg o rith m, Clusteri ng Acc u racy      Copy right  ©  2015 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  With the  rapi d gro w th of  web i n form ati on, peo ple u r gently nee d  a type of technolo g y  that organi zes an d man age s inform ation to  help them find what they need qui ckly and   accurately; data mining co mbing with web mining ha s eme r ged a s  a re spo n se  to this issue  [1].  Text is the m a in form of in formation  on  the we b,  so t e xt mining ha s be com e  a rese arch h o tspot  in re cent ye ars.  Chin ese  text mining  has  bee n de veloped  relat i vely late, and it falls be h i nd  English  text  mining  in th e  asp e ct s of  th eory  re se a r ch  and  ap plication. Chine s e  text mining  ba sed   on the web i s  therefo r e selecte d  as o u r re sea r ch  o b ject. Text classificatio n  and clu s teri ng  are   key technol o g ies i n  text mining. O r ga nizin g  an d cl assifying text data  sets can  si gnificant ly  address the probl em of informatio n explosio n. Text classifi catio n  and clu s tering can al so  be   applie d a s  th e tech nical b a si s in  sp ecif ic field s , such as informat ion retrieval,  sea r ch e ngin e s,  electroni c lib rari es, and t e xt database s  [2]. With  the advent o f  the information era, te xt  cla ssifi cation  and cl uste rin g  have be co me increa sin g ly popula r .   Curre n t clu s t e ring  algo rith ms a r e  cla s sified  into  p a rtitioning  cl usteri ng, hi erarchical  clu s terin g , grid-ba s e d  clu s terin g , and  density-b a sed clu s teri ng . The K-me ans al gorith m , a  cla ssi cal  cl ustering  algo rit h m, is a l o cal  se ar ch  sch e m e  with  som e  seri ou s di sadvantag es.  The  K-value nee d s  to be determined in adv ance, and t he cluste rin g  result dep end s on the sel e ction  of the initial  clu s terin g  ce nter [3]. In this re ga rd, m any re sea r ch ers have p r o posed  clu s tering  method s ba sed on the intelligent optimization al g o rithm [4, 5]. This algo rithm is gra d u a lly  develop ed wi th the use of certai n simila rities bet wee n  compl e x system s (e.g. natural or  so ci al)  and optimi z at ion pro b lem s . The algorith m  obtains th e next feasibl e  solution s th roug h ope rati on  on a  set of  initial sol u tio n s in th e se arch  spa c e  according to  ce rtain rule s of p r ob abil i ty.  Therefore, th e sea r ching  mech ani sm o f  the al gorith m  determin e s  its optimiza t ion perfo rma n ce  [6]. The shuf fled frog  lea p ing al go rith m is  a type  of ne w intel ligent optimi z ation alg o rith m.  However,  this algorithm  also ha s  some disadvantages, such as  its poor l o cal  search  ability and  slo w   conve r g ence  spee d [ 7–10]. To  im prove th e  co nverge nt pe rf orma nce of t he b a si c  shuf fled   frog lea p ing  a l gorithm, a n  i m prove d  algo rithm is i n trod uce d  in thi s  study. The clu s terin g  meth o d   based on int e lligent optim ization  can  convert a pa rt icula r  clu s te ri ng pro b lem t o  an optimi z a t ion   probl em of t he obj ective  function,  whi c h find s  the  optimal value  of the obje c tive function  to  obtain the o p t imal clu s teri ng sche me throu gh rep e a t ed iteration.  The key tech nologi es in u s ing   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA  Vol. 13, No . 4, Decem b e r  2015 :  138 4 – 1389   1385 intelligent  co mputing  to  so lve the o p timi zation   p r oble m  in clude   co ding  of the  problem  and  d e s ign   of an appro p riate fitness function [11 - 14]. In th is study, the shuffled leapfrog algo rithm  is  combi ned   with the  K-me an s al go rithm. T he m a in  adva n tage  of the   prop osed  sch e me i s  th at th e  k-m ean s met hod  can  be  use d  to imp r ove the con v ergen ce  sp eed, an d the  global o p timal  solutio n  can  be obtai ned  by mean s of  the sh uffl ed  frog le aping  algorith m . In pa rticula r ,  the  prop osed scheme combi nes the gl ob al sea r chi ng  cha r a c teri stic of the shuffled frog lea p i ng  algorith m  an d  the  simpli city of the  k-m e a n s  algo rithm,  and  acco rdin gly, an alg o rit h m with  glo b a l  sea r ching  ca pability is obt ained [15, 16] .  In the next section, the  b a si c shuffled  frog le aping   algorith m  is investigate d . In Sectio n   3, a type of improve d  sh u ffled frog lea p ing alg o ri th m is intro d u c ed. In Sectio n 4, the clu s t e ring  algorithm based on improv ed intelligent computing  i s  proposed. In  Section 5, an experiment is  c o nd uc te d  to  te s t  th e p e r f or ma nc e o f  the  pr o p o s ed  schem e. In th e  last  sectio n,  con c lu sio n s a r e  provide d  [17].      2. Basic Shu ffled Fro g  Le aping Algori t hm   The fu nctio n   optimizatio n  probl em i s  t r a n sformed  into  the mi nimum  value  pro b le m of the   objec tive function  () f x  in the feas ible domain, where  x  is t he  solutio n  v e ctor.  First,  F  num ber of  points is sel e cted  a s  the  initial value  from th e fe asibl e  d o mai n  ra ndo mly. The i - th frog  is  r e pr es e n t ed  b y   12 (, , , ) j jj j n x xx x , and the obje c tive function value o f  each fro g  is cal c ul ated .   Each frog is  orde re d de creasi ngly acco rding to  it s o b jective fun c tion value, an d then the e n t ire   frog swa r m is divided into  S  number of  sub g ro up s that contain  m  number of fro g s.    In the iteration p r o c e s s, the first  soluti on e n ters i n to the  first  su bgro up, th e  se con d   solutio n  ente r s into th e second  sub g ro u p , and th e re st ca n b e  co ndu cted in  th e sa me m a n ner.  Then, the ( s +1) - th   solutio n  enters into the first  subg roup ag ain, a nd the ( s +2)- th  solutio n  ent ers  into the se co nd su bg rou p  until all the solution s  are a ssi gne d co m p letely. In each  subg ro up,  the  solutio n  with  the be st obje c tive functio n  value  and th at with the worst o b je ctive function valu e   are l abel ed  a s   12 (, , , ) bb b b n x xx x  and   12 (, , , ) ww w w n x xx x , res p ec tively. The  s o lution  with t he bes t   obje c tive function in the  swarm i s  lab e le d as  12 (, , , ) gg g g n x xx x . In ea ch  iteration,  w x  is  update d   by formula 1.     1 () j bw D rx x            ( 1 )     ' ww j x xD  .   ma x m a x () j DD D         ( 2 )     1 (0 ,1 ) rU ,  1, 2 , , j S ,  ma x D  represent s the m a ximu m moving  ste p  length  of the frog. If  the obj ective  functio n  val ue of  ' w x  is  bet ter than  that  of  w x ,  ' w x  is repl ace d  by  w x . If th e   solutio n  is  no t improved,  b x  is re pla c ed  by  g x , and form ul as 1  and  2 are executed re peatedly.  If the solution is  still not i m proved, a  new  sol u ti on from the feasible  domai n is generated to   repla c e th e  origin al  w x . The above  ope ration s a r e p e rform ed  wit h in a  spe c ifi ed num be r o f   times, and th e locatio n  of the wo rst frog  in each  grou p is up dated.  Acco rdi ngly, the first iteration  of the shuffle d  frog lea p in g algorith m  is compl e ted.  As ob serve d  from formul a  1, the size of the  moving step  dire ctly affects the gl ob al converg e n c e o f  the algorith m . When the  size is la rge,  the  frog ca n co n duct glob al searchin g, but it may skip  the optimal so lution. Whe n  the size is small,  the frog  ca n  sea r ch finel y in the lo cal area, but   it can  easily fall into the local  optim um.  Therefore, m o ving the  ste p  length  affects the   optim ization  perfo rmance of th e sh uffled frog   leapin g  algo ri thm to a certa i n extent. [18, 19]      3. Impro v ed  Shuffled Fr o g  Leaping Al gorithm   For e a ch sub g rou p , the  state of su rrou nding  frog s  can affect the   behavio r of t he worst  frogs to some  extent, so repulsi on agai n s t the wo rst frog occu rs. Th e worst frog  moves with t he  guide  of inf o rmatio n, an d the frog s  in  the su bgroup en cou r a ge  o ne anot her  to   imp r o v e  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Text Minin g  Re sea r ch Ba sed o n  Intelligent Com puti ng in Inform ation Retri e val System   ( Y ong  L i )  1386 perfo rman ce  throug h com petition and  coo peration;  in this way, co-evolutio n  of group s can be   reali z ed.   The improve d  shuffled fro g  leaping alg o rith m en su res that each  frog bring s  a certai n  amount  of charg e , which  is d e ci ded   by the opt im ized  obje c tive fun c tion v a lue. Th en,  the  resultant force imposed o n  the worst frog from the  other fro g s in  the subg rou p  is cal c ulate d  to  determi ne the  moving step  length. In the sub g ro up, the   i q  of frog  i  is ca lculate d  by    1 () ( ) exp (( ) ( ) ) ig i m kg k fx fx qn fx f x          (3)     1, 2 , , im ,  () i f x  repre s e n ts the curren t objec tive functio n  valu e of frog  i  i n  the  sub g ro up, an d  () g f x  rep r e s ent s the cu rre nt o p timal obje c ti ve function v a lue in the  swarm. The  comp one nt force im po sed  on the wo rst f r og in the sub g rou p  is calculated by     () wj w j w j F qq x x           ( 4 )     After the  re su ltant force  w F  is  cal c ulate d , th e force  impo sed o n  e a ch frog i s  n o rm ali z ed  to ensure the  feasibility of frog shi ft, and the proposed  update  strategy is    1 () j bw w Dr x x a           ( 5 )     ' ww j x xD  .   ma x m a x () j DD D          ( 6 )     2 2 / ww w ar F F  ,  2 (0 ,1 ) rU , and the propo se d sch e me in cre a ses the dive rsity of the  sub g ro up  to  prevent  the  o c curren ce  of  prem atur e   co nverge nce; a s  a  result, the  entire g r ou p  can   benefit. The p r ocess involv es in the imp r oved sh uffled  frog leapin g  algorith m  is a s  follows:   Step 1. Initial i ze th e swa r m and  pa ram e ters,  su ch  a s  the total  nu mber of fro g s,  F ; the  numbe r of  subgroup s,  S ;  the ite r ation  times withi n  the  sub g rou p ,  I t ; and  the   hybrid ite r ati o n   times ,   max N .  Step 2. Calcu l ate the obje c tive function value  () j f x  of each frog.   Step 3. Ord e r the  F  nu mbe r  of obj ective  function val u es, an d divid e  it into  S  nu mber  of  sub g ro up s.   Step 4. Dete rmine th e in dividual  b x  with the be st o b jective fun c t i on value  an d the   individual  w x  with the worst obje c tive function value in  each g r ou p. Within the given iteration   times ,   I t , updat e the worst solution a c cording to formul as 5 an d 6.  Step 5. Fo r e a ch  subg rou p ,  arrang e the  indi vidual s in   desce nding  o r de r a c cordin g to the   obje c tive function value to con s titute a n e w group.   Step 6. Determine whethe r the terminati on co nditi on i s  met; if this condition is  satisfied,  the relate d in formation of t he optimal o b j ective f unctio n  value is the  output. Othe rwi s e, retu rn t o   step 2.       4. Cluste ring  Algorithm Based on the Im prov ed Sh uffled Fr og L eaping Algor ithm    4.1. Principle of the  K-M eans Alg o rithm  The inp u t is  the data set  12 {, , , } n Xx x x , and the nu mber of  clu s tering s i s   K . The  output is  K  nu mb er  o f   c l us te r i ng s ,   j C . Th e process in volved in the  K-mea n s  al gorithm i s  a s   follows :  Step1.  K  number of ra nd om data is ch ose n  as the i n itial clu s terin g  cente r   12 ,, , k zz z   from  X .  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA  Vol. 13, No . 4, Decem b e r  2015 :  138 4 – 1389   1387 Step2. Cal c ul ate the di sta n ce  between  each data  p o int  i x  and  j C , {1 , 2 , , } j k . If  the  con d ition of  ij i m x zx z  , 1, 2 , , mK ,  mj  is met, then  ij x C .  Step3. Calcul ate the new  center poi nt  ** * 12 ,, , k zz z  with     * 1 ji ij XC i zX n   ,  1, 2 , , iK   (7)     Step4. If  * ii zz , 1, 2 , , iK , the algorithm  stops, an d the curre n t cente r  point is sele cted   as the result  of the cluste ri ng parti tion.  Otherwise, re turn to step 2.     4.2. Cluste ring Scheme  Bas e d on th e Impro v ed Shuffled Fr o g  Leaping Al gorithm   The shuffled  frog leapi ng  algorithm u s es the fitne s s value of e a ch in dividua l in one  popul ation to  sea r ch the  o p timal value.  Therefore,   ch oosi ng  suitab le fitness fun c tion affe cts t h e   conve r ge nce rate of this al gorithm. The  fitness fun c tio n  is    2 1 1/ ji k ji ix C f xz      (8)     The clu s teri n g  algorithm b a se d on the impr ove d  sh uffled frog leaping alg o rit h m is as  follows :  Step 1. Set th e initial para m eters of the algorith m .  Step 2. Initialize the entire swarm a nd  K  numbe r of initial clu s terin g  cente r s.   Step 3. Calcu l ate the  dista n ce  bet wee n   X  and  K  num ber  of cente r s co rrespon din g  to the   frog.  X  is cla s sified a c cordi ng to distan ce.  Step 4.  Cal c u l ate the fitne s s valu e of  ea ch f r og  a c cording to  cl assi fication, a nd  arrang e   the frog  swa r m in d e sce n d ing o r d e r  according  to th e si ze  of the  fitness value  to gen erate   j D   rand omly.  Step 5. Divide the frog  swarm into  m  number of  sub g roup s. Calcul ate the be st solution b x , the wors t s o lution  w x , and the global o p timal solutio n   g x .  Step 6. Withi n  the given i t eration time s,  I t , update t he worst sol u tion a c cordi ng to  formula s  5 an d 6.   Step 7. Each   sub g ro up i s   combine d  to fo rm a n e w fro g  swa r m. Arrange th e fro g  swarm  in de scendin g  ord e r a c co rding to it s fitness val ue, i n crea se the  global ite r atio n times by o ne,   and retu rn to  step 5. Re pe at the above pro c e ss u n til the maximum  iteration time  is achi eved.       5. Experiment Re sults    The Unive r sit y  of California, Irvine (UCI)  data set is commonly u s ed in the al gorithm   perfo rman ce  testing of ma chin e learnin g , info rmation  processin g , and data mini ng. The data  of  this data set  are st rictly labeled, so thi s  data se t is typically use d  as the evalua ting standa rd  of  several al gori t hms. Th e Iri s  a nd  Wine  d a ta sets  of UCI are  sele ct ed to te st the  perfo rma n ce  of  the p r opo se d  sche me. Th e num be r of  sub g ro up s  m  is 3, the  num b e r  of frog s i n   the subg rou p   n  is 20, the iteration time  I t  wi thin the sub g roup is 3 0 , an d t he global  search time is  1000. Th e   clu s terin g  pe rforma nce of the propo se d sch eme a nd the traditional k-mea n s based on  the  shuffled fro g  leaping alg o rithm is sh own in T abl e 1. This table depi cts that the average   clu s terin g   a c curacy of  the prop osed sch e me  i s   hig her than that of t he k-me an s a l gorithm  ba se d  on the traditio nal sh uffled frog leapi ng al gorithm.       Table 1. Clu s tering pe rformance co mp arison of the two alg o rithm s   Data set   algorithm  right  wrong   accurac y   Iris  shuffled frog leap ing algorithm  138  12  92.00%   proposed schem e  141  9  94.00%   Wine  shuffled frog leap ing algorithm  146  32  82.02%   proposed schem e  157  21  88.20%   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Text Minin g  Re sea r ch Ba sed o n  Intelligent Com puti ng in Inform ation Retri e val System   ( Y ong  L i )  1388 Table 2. Fitne ss fun c tion va lue com p a r ison of the two algorith m s  Data set   algorithm  fitness function   i nner class dista n ce  bet w een-class distance  Iris  shuffled frog leap ing algorithm  0.604±0.072   3.493±0.224   0.891±0.037   proposed schem e  0.409±0.016   3.101±0.109   0.985±0.019   Wine  shuffled frog leap ing algorithm  1.088±0.015   4.462±0.217   2.967±0.432   proposed schem e  1.015±0.015   4.197±0.396   3.651±0.306           Figure 1. Con v ergen ce  co mpari s o n  of two alg o rithm s  on Iri s  data s et           Figure 2. Con v ergen ce  co mpari s o n  of two alg o rithm s  on Wi ne dat aset       The  com pari s on  of the  fitness fu nctio n  value  i s   sh o w n i n  T able   2. The  avera ge fitne ss  function val u e of the p r op ose d  sch e me  is  smalle r th an that of the  tradition al scheme. Th e in ner- cla s s di stan ce is al so  sm aller,  and  th e bet we e n -cl a ss di stan ce  is larger.  T he  conve r ge nce   comp ari s o n  o f  the two al g o rithm s  in  th e Iri s  a nd  Wi ne d a ta  set s   is  sho w n  in   Figures 1  an d 2,  respe c tively. The  k-m ean s algo rithm b a s ed  on th e  sh uffled frog  le aping  algo rith m is  affected   by  the initial value. This scheme can easil y  fall in to  the local optimal  solution. Co mpared with  the  traditional  scheme, th e p r opo sed  cl ust e ring  alg o rith m ba se d o n  the im prove d  shuffled f r og  leapin g  algo ri thm has hig h e r co nvergen ce spee d and  higher  clu s te ring a c curacy .      0 20 40 60 80 100 12 0 140 16 0 180 200 0.4 0.5 0.6 0.7 0.8 0.9 1 g l o b al  i t er ati o n  ti me s f i t n e s s  f unc t i on va l u e     KFL A IK F L A 0 20 40 60 80 10 0 120 14 0 16 0 18 0 20 0 1 1. 1 1. 2 1. 3 1. 4 1. 5 1. 6 1. 7 1. 8 g l ob al  i t er ati o n t i mes f i t n e ss f u nc t i on  va l u e     KFL A IK F L A Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA  Vol. 13, No . 4, Decem b e r  2015 :  138 4 – 1389   1389 6. Conclusio n   To solve the   key p r obl em  of text mining , we  co ndu ct ed a  study  on  text mining  b a se d o n   intelligent co mputing in a n  informatio n  retrieval  system. An im proved  sh uffled frog le api ng  algorith m  wa s p r op osed, t he detail ed  p r ocess  of  this algo rithm  wa s p r e s ente d ,  and a  novel  K- mean s cl ust e ring  metho d  ba sed  on  the im proved shuffled  frog lea p ing  algorith m   wa s  introdu ce d. T he exp e rim e nt re sult s  sh ow th at  the prop osed scheme ha s  hi gher  cl uste ri ng  accuracy  an d co nvergen ce  spe ed th an the  k-me ans  algo rith m ba sed  on  the shuffled  frog  leapin g  algo rithm. This study can  se rve as  a  useful and me aningful  refe ren c e for te xt  cla ssifi cation  and cl uste rin g , particul a rly  in informatio n retrieval a n d intelligent computing.       Referen ces   [1]    Samaa n  M, Rahman F .  PT H-200 Ami no aci d  profil es  in pa tient  w i t h  intest inal fa ilur e : prel iminar y d a t a   on bi och e mica l  insig h ts: Abstract PT H-200 F i gure.  Gut . 201 5; 64(1): A1-A5 84.   [2]    Roza nski MR,  Mitchell T .  Greetings  of Peac e. Claritas:  Jo u r nal of D i al og u e  an d Cu lture . 201 5;  4(2):  5.  [3]    W ang F ,  Gen g  C, Su  L. Pa rameter i d e n tifica tio n  a nd  pr edicti on  of Jil e s–Atherton  mo del for  DC- bias ed transf o r m er usi ng im p r oved s huffle d   frog  le api ng al gorithm and le ast  squar e  su p port  vector  machi ne.  IET   Electric Pow e r Appl icatio ns.  2 015; 9(9): 6 60- 669.   [4]    W ang T ,  Z hao  X, Z h o u  Y.  Commu nit y   d e tection  in  so cial  net w o rk u s ing  shuffle d  f r og-le ap in g   optimis ation.  In ternatio nal J o u r nal of Secur i ty and Netw orks.  2015; 1 0 (4): 2 22-2 27.   [5]    Lei  D, Guo   X.  A sh uffled  fro g -le api ng  al gor ithm for  h y bri d  flo w   sho p  sc hed uli n g   w i th  tw o   age nts.   Expert Systems w i th Applicati ons . 201 5; 42( 23): 933 3-9 339 .  [6]    Pasha MF K, Y easmi n D, Re ntch JW . Dam - lake Op eratio n to Op timize Fish  Habitat.  Enviro nmenta l   Processes . 20 15; 2(4): 63 1-6 45.   [7]    Gómez-Gonzá l ez M, Ru iz-Ro d rig uez F J , Ju rado   F .  Metah euristic  an d pr oba bil i stic tech niq ues f o r   optima l  all o cat i on a nd siz e  of biomass d i stri buted g e n e r ation i n  un bal ance d  radi al s y stems.  IET  Ren e w able P o w e r Generatio n . 2015; 9( 6): 653-6 59.   [8]    Geem Z W . Multiobj ective  opti m izatio n of  w a t e r distri buti on  net w o rks  usi n g  fuzz y  t heor y  a nd h a rmo n y   search.  Wa te r.  201 5; 7(7): 361 3-36 25.   [9]    Youa  Z ,  Cao a  X, W a ng a Y.  An U n e q u a l  Clusteri n g  Strateg y  for  W S Ns Bas ed  Urb an Inte lli ge nt   T r ansportation S y stem.  Jour n a l of Informatio n  and C o mp utation a l Scie nce . 2015; 12( 10): 400 1-40 12.   [10]    Sedi ghiz a d eh  M. Optimal R e c onfig uratio n  a nd C a p a citor  Alloc a tion  in  R adi al D i strib u ti on S y stems   Using th e H y br id Shuffl ed F r o g  Lea pi ng Al go rithm in the F u zz y  F r ame w o r k .   Journal  of Operatio n an d   Au tom a ti on  i n   Po we r En g i ne eri n g . 20 15; 3(1) : 56-70.   [11]    Z hao J, Lv L. T w o-P has es L earn i ng Sh uffle d  F r og Lea pi ng  Algorithm.  Inte rnatio nal Jo urn a l of Hybri d   Information T e chno logy . 2 015 ; 8(5): 195-20 6 .   [12]   Li Y,  Hu  L. A  fast e x act sim u lati on  m e tho d  for a  class  of  Markov  jum p   process e s.  T h e Jo urna l  of   Che m ic al Phys ics.  2015; 1 43( 18): 184 10 5.  [13]    W ang F ,  Gen g  C, Su  L. Pa rameter i d e n tifi catio n  a nd  pr edicti on  of Jil e s–Atherton  mo del for  DC- bias ed transf o r m er usi ng im p r oved s huffle d   frog  le api ng al gorithm and le ast  squar e  su p port  vector  machi ne.  IET   Electric Pow e r Appl icatio ns.  2 015; 9(9): 6 60- 669.   [14]    Elbe ltagi E,  Heg a z y  T ,   Grierson  D. A modifie d  sh uffled frog-l e a p in g optim izat ion a l g o rithm:   app licati ons to  proj ect manag ement.  Structure and Infrastru c ture Engi ne eri n g . 200 7; 3(1): 53-6 0 .  [15]    T ang Z .  Improved K-m e a n s  Cluster in g   Algorit hm b a s ed o n  Ge neti c  Algor ithm.  T E LK O M NI KA  Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2014; 1 2 (3):19 17-1 923.   [16]    Moha n R N VJ, Ra o KRS. E fficient K-Me a n s F u zzy  Cl uste r R e li ab i l i t y  o n  An gl e Ori e n t ed  Face  Reco gniti on.  In ternatio nal J o u r nal of Infor m at ics and C o mmunic a tion T e c h nol og y, 20 12, 2(1):38- 45.   [17]    Niknam  T ,  F a rsani E A . A h y b r id se lf-ad aptiv e p a rticle s w a r m optimiz atio n  an d mo difie d   shuffled  frog   lea p in g al gorit hm for distrib u tion fe eder  reconfi gurati o n .   Engin eeri n g  Applic atio ns  of Artificia l   Intelli genc e . 20 10; 23(8): 1 340 -134 9.  [18]    Niknam T ,  Nayer i p our M. An efficient mul t i- obj ective mo difie d  shuffle d  frog leap in g alg o rithm for   distrib u tion f e e der rec onfig ura t ion pr obl em.  Europ e a n  T r an sactions  on E l ectrical P o w e r.  201 1; 21( 1):  721- 739.   [19]    Eusuff MM, Lanse y  KE. Op timizatio n  of  w a te r distri buti o n net w o rk d e s i gn  usin g the   shuffled fro g   lea p in g al gorith m .  Journal of  W a ter Resourc e s Plan nin g  an d Mana ge ment . 2003; 12 9(3): 210- 225.     Evaluation Warning : The document was created with Spire.PDF for Python.