روح اله مقصودی - کارشناسی ارشد هوش ماشین و روباتیک، دانشگاه آزاد اسلامی واحد علوم و تحق
نیما فصیحی - کارشناسی ارشد هوش ماشین و روباتیک، دانشگاه آزاد اسلامی واحد علوم و تحق
محمد تشنه لب - دانشیار دانشکده برق دانشگاه صنعتی خواجه نصیرالدین طوسی، سید خندان

خوشه بندی داده ها به کلاس ها و یا دسته های متناسب یکی از مباحث مهم و مطرح در تشخیص الگو می باشد آنچه که در خوشهبندی حائز اهمیت است انجام این کار به گونه ای است که داده هایی که درست کلاس بندی نشده اند به حداقل برسند و یا به عبارت دیگر در هر کلاس داده هایی قرار بگیرند که حداکثر نزدیکی و مشابهت را به یکدیگر داشته باشند. در این مقاله، ابتدا یکی از روش های پایه در خوشه بندی به نامK-Means Clustering شرح داده شده است و سپس به کمک الگوریتم های ژنتیک، مدل پیشنهادی جدیدی که آن را GA-Clustering نامگذاری کرده ایم ، برای بهبود روش K-Means معرفی گردیده است. در پایان، روش مزبور بر روی مجموعه ای از داده های شناخته شده، تست شده است. نتایج نشان می دهد روش پیشنهادی به میزان قابل توجهی داده ها را بهتر از الگوریتم سنتی خوشه بندیK-Means دسته بندی می کند.

تشخیص الگو ، خوشه بندی K-Means الگوریتم ژنتیک