خوشه بندی ترکیبی با بیشینه سازی تنوع با به-کارگیری الگوریتم های بهینه سازی تکاملی

خوشه بندی داده ها یکی از مراحل اصلی در داده کاوی است که وظیفه کاوش الگوهای پنهان در داده های بدون برچسب را بر عهده دارد. به خاطر پیچیدگی مسیله و ضعف روش های خوشه بندی پایه، امروزه اکثر مطالعات به سمت روش های خوشه بندی ترکیبی هدایت شده است. پراکندگی در نتایج اولیه یکی از مهم ترین عواملی است که می تواند در کیفیت نتایج نهایی اثرگذار باشد. همچنین، کیفیت نتایج اولیه نیز عامل دیگری است که در کیفیت نتایج حاصل از ترکیب موثر است. هر دو عامل در تحقیقات اخیر خوشه بندی ترکیبی مورد توجه قرار گرفته اند. در این جا یک چارچوب جدید برای بهبود کارایی خوشه بندی ترکیبی پیشنهاد شده است که مبتنی بر استفاده از زیرمجموعه ای از خوشه های اولیه می باشند روش ارایه شده نشان می دهد که  استفاده از زیرمجموعه ای از نتایج خوشه بندی های اولیه می تواند بهتر از استفاده از کل نتایج باشد همچنین معیاری را پشنهاد می دهد  که چگونه  نتایج اولیه نسبت به هم ارزیابی شوند. این تحقیق معیاری ارایه می دهد که به وسیله آن میتوان تشخیص داد کدام زیرمجموعه از نتایج اولیه می تواند منجر به بهبود عملکرد خوشه بندی ترکیبی شود.  از آن جایی که الگوریتم های هوشمند تکاملی توانسته اند اکثریت مسایل پیچیده مهندسی را حل نمایند، در این مقاله نیز از این روش های هوشمند برای انتخاب زیرمجموعه ای از خوشه های اولیه استفاده شده است.  این انتخاب به کمک سه روش هوشمند (الگوریتم ژنتیک، شبیه سازی تبرید و الگوریتم ازدحام ذرات) انجام می گیرد. ایده های اصلی در روش های پیشنهادی برای انتخاب زیرمجموعه ای از خوشه ها، استفاده از خوشه های پایدار به کمک الگوریتم های جستجوی هوشمند (الگوریتم های تکاملی) می باشند. برای ارزیابی خوشه ها، از معیار پایداری مبتنی بر اطلاعات متقابل استفاده شده است. در آخر نیز خوشه های انتخاب شده را به کمک چندین روش ترکیب نهایی با هم جمع می کنیم. نتایج تجربی روی چندین مجموعه داده استاندارد و با معیارهای ارزیابی اطلاعات متقابل نرمال شده، فیشر و دقت در مقایسه با روش های علیزاده، عظیمی، Berikov ، CLWGC، RCESCC، KME، CFSFDP،DBSCAB، NSC و Chenنشان می دهد که روش های پیشنهادی می تواند به طور موثری روش ترکیب کامل  را بهبود دهد.