ارایه یک روش ترکیبی جدید برای خوشه بندی داده ها

خوشه بندی یکی از شاخه های یادگیری بدون ناظر است و در زمینه های زیادی از جمله مهندسی، پزشکی، زیست شناسی و ... کاربرد دارد. ایده اصلی خوشه بندی تفکیک داده ها در خوشه های مختلف، بر اساس شباهت آنها است. رویکردهای مختلفی برای خوشه بندی وجود دارد که رویکرد مبتنی بر افراز داده ها یکی از آنها است. با توجه به اینکه در این رویکرد، انتخاب های اولیه به عنوان مراکز خوشه ها نقش مهمی در روند خوشه بندی دارند، در این مقاله برای بهبود پاسخ های اولیه، الگوریتم تپه نوردی با الگوریتم PSO آشوبگونه ترکیب شده است؛ به اینصورت که در الگوریتم PSO آشوبگونه، ابتدا اگر نقاط بهینه ای اطراف پاسخ های اولیه تصادفی وجود داشته باشد توسط الگوریتم تپه نوردی یافته و جایگزین می گردد. نتایج پیاده سازی و اجرا بر روی چهار مجموعه داده مختلف و مقایسه با تعداد زیادی از الگوریتم های معروف خوشه بندی نشان داد که این روش ضمن برخورداری از دقت بالا و خطای کم، از سرعت همگرایی بالایی نیز برخوردار است.

Keywords:

خوشه بندی , الگوریتم بهینه سازی انبوه ذرات , آشوب , الگوریتم تپه نوردی