بهبود روش خوشه بندی K-Means Overlapping با استفاده از الگوریتم گرگ خاکستری آشوبناک

خوشه بندی، فرآیندی است که به کمک آن می توان مجموعه ای از اشیاء را به گروه های مجزا (خوشه) افراز کرد. اکثر این الگوریتم ها خوشه های منحصر به فرد تولید می کنند. به این معنی که هر نمونه می تواند تنها به یک خوشه تعلق گیرد. با این حال، بسیاری از مجموعه داده ها در دنیای واقعی اطلاعات ذاتا با هم همپوشانی دارند. روش های خوشه بندی همپوشان به یک نمونه اجازه تعلق به بیش از یک خوشه را می دهند. یکی از ساده ترین و موثر ترین روش های خوشه بندی همپوشان Overlapping k-Means (OKM) است که از چالش های مهم آن حساسیت به مراکز اولیه خوشه می باشد. به این معنی که نتایج بدست آمده به شدت وابسته به انتخاب تصادفی مراکز اولیه خوشه است. در این پژوهش، برای رفع مشکل ذکر شده از الگوریتم گرگ خاکستری آشوبناک برای مقداردهی اولیه الگوریتم خوشه بندی Overlapping k-Means استفاده شده است. به منظور ارزیابی روش پیشنهادی، از معیار FBCubed، که به ارزیابی موثر الگوریتم های خوشه بندی همپوشان می پردازد، استفاده کردیم. با توجه به نتایج حاصل از هشت مجموعه داده، نتایج روش پیشنهادی بهتر از الگوریتم های OKM پایه و KHM-OKM بوده و می تواند به عنوان یک روش موثر برای خوشه بندی مجموعه داده ها استفاده شود.

Keywords:

الگوریتم گرگ خاکستری , آشوب , خوشه بندی , خوشه بندی همپوشان , معیار FBCubed