محمد سروری - دانشگاه بیرجند، دانشکده فنی و مهندسی فردوس، فردوس، ایران
سید محمد رضوی - دانشگاه بیرجند، دانشکده مهندسی برق و کامپیوتر، بیرجند، ایران

خوشه بندی یکی از مهمترین مسائل مربوط در داده کاوی داده ها می باشد. جهت خوشه بندی داده ها, الگوریتم های زیادی مانند K-maens تاکنون ارائه شده است. یکی از مهمترین مشکلات این الگوریتم ها حساس بودن به مراکز خوشه اولیه می باشد که ممکن است باعث شود الگوریتم یک پاسخ بهینه محلی تولید کند. الگوریتم بهینه سازی گرگ خاکستری GWO (Gray Wolf Optimization) یک الگوریتم بهینه سازی با عملکردی بسیار مطلوب در مقایسه با سایر الگوریتم های بهینه سازی جهت حل مسائل گوناگون می باشد. در این پژوهش یک راهکار جدید جهت خوشه بندی داده ها با استفاده از الگوریتم GWO ارائه شده است. برای ارزیابی الگوریتم خوشه بندی ارائه شده از سه مجموعه واقعی و استاندارد Iris , Wine و Glass استفاده و با روش های خوشه بندی K-means , الگوریتم ژنتیک GA و الگوریتم بهینه سازی گروهی ذرات PSO مقایسه شده است. نتایج مقایسه ها نشان می دهد که کارایی الگوریتم پیشنهاد شده نسبت به سایر روش ها بهتر می باشد و می تواند بصورت موفقیت آمیز برای خوشه بندی داده ها مورد استفاده قرار گیرد.

الگوریتم گرگ خاکستری ( GWO )، بهینه سازی، تابع هزینه، خوشه بندی