روشی نوین جهت خوشه بندی داده مبتنی بر ترکیب الگوریتم های بهینه سازی ژنتیک و کرم شب تاب

یکی ازمسایل مهم درداده کاوی خوشه بندی است که بدون هدف ازپیش تعیین شده ای داده هارابراساس شباهت درون خوشه ها تقسیم بندی می کند.ازروش های متداول خوشه بندی الگوریتم k-means است که بادریافت ورودی،داده هارابه k خوشه تقسیم بندی می کند.یکی ازمعایب این روش حساسیت به شرایط اولیه است که منجربه کاهش دقت درخوشه بندی می شود.ازروش های بهبودعملکرد k-means می توان استفاده ازالگوریتم های فراابتکاری رانام برد.دراین پژوهش به دوروش بهینه سازی ژنتیک وکرم شب تاب پرداخته شده است والگوریتم جدیدی تحت عنوان الگوریتم ژنتیکی کرم شب تاب جهت بهینه سازی خوشه بندی k-means ارایه شده است.الگوریتم کرم شب تاب ازالگوریتم های هوش جمعی است که ازویژگی نورچشمک زن کرم شب تاب الهام گرفته است والگوریتم ژنتیک نوعی ازالگوریتم های فراابتکاری است که ازتکنیک-های زیست شناسی مانندوراثت وجهش استفاده می کند.در الگوریتم k-means برای اینکه مراکز خوشه به صورت تصادفی انتخاب می شوند،خوشه بندی دقت لازم راندارد.بااستفاده ازالگوریتم های فراابتکاری سعی دربدست آوردن مراکزدقیق خوشه هاداشته ودرنتیجه آن،خوشه-بندی صحیح می باشیم.درروش پیشنهادی،ابتداالگوریتم k-means راروی داده های ورودی اجراکرده وخوشه بندی انجام می شود.سپس مضربی ازمراکز خوشه که دراین الگوریتم بدست آمده است رابه عنوان حدپایین وحدبالای الگوریتم پیشنهادی استفاده می کنیم. جمعیت اولیه به صورت تصادفی بین حدپایین وحدبالاتولیدمی شود. درحلقه اصلی الگوریتم جمعیت رابه دودسته جمعیت مساوی تقسیم می نماییم برروی دسته اول الگوریتم ژنتیک رااجرامی کنیم،برروی دسته دوم براساس الگوریتم کرم شب تاب موقعیت های جدیدرابدست می آوریم.حال جمعیت قبلی و جمعیت جدید بدست امده ازالگوریتم ژنتیک وجمعیت جدید بدست امده ازالگوریتم کرم شب تاب راتلفیق کرده وآن هاراازخوب به بد مرتب می کنیم وبه تعدادموردنیاز ازآن هارا انتخاب وبه ابتدای حلقه می رویم.این فرایندراتابرقراری شرط توقف ادامه می دهیم.درپایان الگوریتم k-means،الگوریتم کرم شب تاب،الگوریتم ژنتیک والگوریتم پیشنهادی بر روی سه مجموعه داده اعمال شده ونتایج موردمقایسه قرارگرفته است.نتایج شبیه سازی نشان می دهدکه الگوریتم ژنتیکی کرم شب تاب عملکردبهتری درمقایسه باسایرروش ها داشته است.