استفاده از الگوریتم فرامکاشفه ای ترکیبی در خوشه بندی

خوشه بندی یک حوزه پژوهشی چالش برانگیز بوده که جزو مسایل NP محسوب میگردد. یکی از معروفترین و پر کاربردترین الگوریتم های خوشه بندی k-Means می باشد. متاسفانه این الگوریتم وابسته به مقادیر اولیه مراکز خوشه هاست و به همین دلیل همیشه خوشه بندی را بطور کاملا صحیح انجام نمی دهد. یکی از بهترین و پر کاربرد ترین روشها در بین راه حل های ممکن برای رفع عیوب این الگوریتم ، الگوریتم های فراابتکاری و تکاملی می باشد. بر همین اساس ما با بررسی عملکرد این الگوریتم ها و شناخت نقاط قوت و ضعف هر یک ، اقدام به استفاده ترکیبی آنها با مسیله خوشه بندی کرده ایم . یکی از الگوریتم های توسعه داده شده در این تحقیق الگوریتم ترکیبی بهینه سازی ازدحام ذرات (PSO) و الگوریتم جدید آموزش و یادگیری TLBO میباشداین ترکیب باعث بهتر شدن عملکرد الگوریتم گردیده است. به طوریکه در مقایسه با دیگر الگوریتم های موجود، سرعت همگرایی و اجتناب از میل کردن الگوریتم به سمت پاسخ های بهینه محلی به طرز چشمگیری بهبود یافته است.

Keywords:

داده کاوی , خوشه بندی , الگوریتم PSO , , الگوریتم TLBO , الگوریتم K-means