خوشه بندی خودکار داده ها با استفاده از جستجوی محلی و الگوریتم بهینه سازی تبادل حرارتی

خوشه بندی کاربرد گسترده ای در بسیاری از کاربردها از جمله تشخیص الگو، بازیابی اطلاعات و پردازش تصویر دارد. در بیشتر مسائل خوشه بندی در دنیای واقعی، تعداد خوشه ها باید از پیش تعیین شده باشد. خوشه بندی خودکار یک راه حل امیدبخش برای این چالش است که به طور خودکار تعداد و ساختار خوشه ها را در داده ها تعیین می کند. در سال های اخیر، الگوریتم های فرااکتشافی به دلیل مکانیسم هایجستجوی خود در حل مسائل خوشه بندی خودکار مورد توجه قرار گرفته اند. الگوریتم بهینه سازی تبادل حرارتی (TEO) ، یکی از جدیدترین و کاراترین الگوریتم های فرااکتشافی است که در این پژوهش برای اولین بار در خوشه بندی خودکار داده ها استفاده می شود. در روش پیشنهادی، علاوه بر ایجاد تغییر در ساختار الگوریتم TEO ، با استفاده از مفهوم پرواز لوی، و بکارگیری آن در فرایند خوشه بندی داده ها، تعداد بهینه خوشه ها همزمان با خوشه بندی بهینه دادهها به دست می آید. یعنی بر خلاف الگوریتم های رایج خوشه بندی که لازم است تعداد خوشه ها توسط کاربر مشخص شود، در الگوریتم پیشنهادی تعداد خوشه ها بصورت خودکار توسط خود الگوریتم مشخص می شود. علاوه بر این، برای بهبود بیشتر کارایی، از اپراتورهای جستجوی محلی نیز استفاده می شود که برای ایجاد تغییر در پیکربندی خوشه ها طراحی شدهاند. الگوریتم پیشنهادی، بر روی ۲۳ مجموعه داده استاندارد آزمایش می شود. از معیارهای ارزیابی خوشه بندی ARI ، DB و CS برای ارزیابی کارایی روش پیشنهادی و مقایسه آن با دیگر روش ها استفاده می گردد. مقایسه نتایج بدست آمده با سایر رو ش ها، نشان دهنده کارایی مناسب الگوریتم پیشنهادی است.

Keywords:

خوشه بندی , بهینه سازی , خوشه بندی خودکار , الگوریتم فرااکتشافی , جستجوی محلی.