یک روش ترکیبی خوشه بندی مبتنی بر الگوریتم ژنتیک با استفاده از عملگرهای جدید تغییر

مساله خوشه بندی به منظور کمینه کردن مجموع مجذور انحراف ، یک مساله غیرخطی و غیر محدب بوده و دارای تعداد زیادی نقاط بهینه محلی است . هدف از این مقاله ، ارائه روشی ترکیبی با استفاده از الگوریتم ژنتیک و K-Means برای خروج از نقاط بهینه محلی است . استفاده از الگوریتم ژنتیک برای خروج از نقاط بهینه محلی ، توسط محققین بسیاری انجام شده است . در این مقاله روش های جدیدی برای عملگرهای بازترکیبی و جهش ارائه شده است . منطق روش های پیشنهادی بر این امر استوار است که اگر عملگرهای تغییر به جای آنکه به طور تصادفی در کل فضای جواب اعمال گردند ، در یک منطقه محدود از پیش تعریف شده ، انجام شوند ، به جواب های بهتری دست خواهیم یافت. برای ارزیابی الگوریتم پیشنهادی ، از سه نوع عملگر جهش و پنج نوع عملگر بازترکیبی بر روی مجموعه داده های استاندارد استفاده شده است. مقایسه نتایج به دست آمده با سایر روش ها ، به ازای K های متفاوت ، نشان می دهد می توان با استفاده از عملگر بازترکیبی ساده یک نقطه ای و عملگر جهش ارائه شده در این مقاله با نام عملگر جهش منطقه ای خوشه ای ، به جواب بهتری دست یافت.

Keywords:

خوشه بندی , الگوریتم ژنتیک , الگوریتم K-Means