بهبود کارایی الگوریتم خوشه بندی K-Means با استفاده از الگوریتم های بهینه سازی توده ذرات و شبکه ایمنی مصنوعی

یکی از نتایج مطلوب در خوشه بندی داده ها، حداقل سازی فاصله نقاط از مراکز خوشه ها است. در فرایند خوشه بندی، به دلیل انتخاب نقاط اولیه تصادفی، سرعت همگرایی بالا نسبت به بهینه محلی، یا عدم استفاده از الگوریتم های بهینه سازی، ممکن است مراکز خوشه ها به خوبی انتخاب نشوند و نتایج مطلوبی حاصل نشود. الگوریتم K-Means نیز که یکی از الگوریتم های مشهور خوشه بندی می باشد، ممکن است به دلیل ماهیت انتخاب تصادفی مراکز اولیه و سرعت همگرایی بالا نتایج مطلوبی نداشته باشد. با انتخاب دقیق تر نقاط اولیه می توان عملکرد این الگوریتم را بهبود داد. با استفاده از قدرت جست و جوی سراسری الگوریتم های بهینه سازی، از آنها برای انتخاب نقاط اولیه بهینه تر استفاده می کنیم. الگوریتم های بهینه سازی با جست و جو در بین نقاط و با هدف انتخاب نقاط به صورتی که کمترین مجموع فاصله داخل خوشه ای ایجاد شود، سبب بهینه سازی می شوند. در این مقاله، از الگوریتم بهینه سازی انبوه ذرات و شبکه ایمنی مصنوعی برای این منظور استفاده شده است. آزمایش های انجام شده بر روی مجموعه داده های متنوع و مقایسه این دو الگوریتم بهینه سازی، نشان می دهد الگوریتم شبکه ایمنی مصنوعی، نتایج پایدارتری ارایه می دهد.

Keywords:

خوشه بندی , الگوریتم K-Means , الگوریتم بهینه سازی انبوه ذرات , الگوریتم بهینه سازی شبکه ایمنی مصنوعی