ریحانه نوروزی - باشگاه پژوهشگران جوان و نخبگان، تبریز دانشگاه آزاد اسلامی، تبریز، ایران،
هادی ناصری - باشگاه پژوهشگران جوان و نخبگان، استهبان دانشگاه آزاد اسلامی، استهبان، ایران،

این شناخت k-means جهت به حداقل رساندن واریانس های درون خوشه ای، محبوب ترین روش خوشه بندی است. اما یک شروع کننده بد و نامناسب در این الگوریتم، سبب دستیابی ضعیف به حد مطلوب و مورد انتظار می شود. برای رویارویی با مشکل شروع کننده k-means ، الگوریتم k-means مینیماکس را پیشنهاد می کنیم، روشی که وزن ها را به خوشه ها، مطابق با واریانسشان اختصاص می دهد و نسخه وزن دار k-means را بهبود می بخشد. وزن ها در یک روندی تکراری از طریق خوشه ها با یکدیگر تطبیق داده می شوند. طرح پیشنهادی، پیدایش خوشه های واریانس بزرگ را محدود کرده و سبب کشف راه حل های باکیفیت بالا صرف نظر از شروع کننده می شود. آزمایش ها کارآمدی، صحت این روش را تائید کرده و همچنین استحکام آن را در مقابل آغازگرهای بد تعیین می کنند. علاوه k-means با سایر روش ها مقایسه شده و به بررسی مشکل آغازگر آنها می پردازد.

خوشه بندی، k-means ، k-means pifs ، k-means مینیماکس