استفاده از الگوریتم های تصمیم گیری چند معیاره برای ترکیب روش های خوشه بندی فازی و K-MEANS در راستای افزایش معیارهای کارایی

در روش خوشه بندی، داده ها بر پایه مراکز خوشه تقسیم شده و براساس شباهت، تعلق داده به یکی از خوشه ها تعیین می شود. الگوریتم K-Means یک روش خوشه بندی افرازبندی می باشد. الگوریتم K-Means یکی از معروف ترین و ساده ترین الگوریتم هاست و علی رغم اینکه سال ها از ابداع آن می گذرد و پس از آن تعداد زیادی الگوریتم خوشه بندی توسعه داده شده اند، اما به دلیل مزایای مثل سهولت پیاده سازی، سادگی و کارایی بالا هنوز هم بطور وسیعی مورد استفاده قرار می گیرد. در خوشه بندی اسناد به روش K-Means با معایبی از جمله وابستگی نتایج به مقداردهی اولیه و نیاز داشتن به تعیین تعداد خوشه ها از ابتدا و همگرایی به بهینه محلی می توان نام برد. یکی از روش هایی که در تحقیقات جدید پژوهشگران، مورد استفاده قرار می گیرد، ادغام چندین پارامتر برای ارزیابی بهتر سیستم ها می باشد. برای انجام این مهم، از الگوریتم های تصمیم گیری چندمعیاره استفاده می شود. تصمیم گیری چند معیار یک چارچوب نوید بخش برای ارزیابی مسایل چند بعدی، متناقض و ناسازگار است. در این مقاله می خواهیم با استفاده از الگوریتم های تصمیم گیری چند معیاره، روش های خوشه بندی فازی و K-MEANS و خوشه بندی با استفاده از شبکه عصبی را با یکدیگر ترکیب کرده، بروطریکه معیارهای کارایی از جمله دقت، یادآوری، فاصله درون خوشه ای، فاصله برون خوشه ای و ... بهبود یابند.

Keywords:

خوشه بندی , روش K-MEANS , روش خوشه بندی فازی , الگوریتم های تصمیم گیری چند معیاره , معیارهای کارایی , دقت