الگوریتم جهش قورباغه بهبود یافته وزن دار به منظور خوشه بندی داده ها

خوشه بندی یکی از تکنیک های معروف در زمینه داده کاوی می باشد، که درآن با خواص مشابه درون مجموعه ای دسته ها قرار می گیرند. الگوریتم k-means از ساده ترین و محبوی ترین الگوریتم های خوشه بندی است، که دارای معایب حساس شدن به مقادیر اولیه خوشه ها و همگرا شدن به بهینه ی محلی می باشد. در سال های اخیر الگوریتم های مختلفی بر پایه الگوریتم های تکاملی برای خوشه بندی ارایه شده است اما متاسفانه رفتارهای نا امید کننده ای از خود نشان داده اند. در این مقاله نوعی از الگوریتم جهش قورباغه بهبود یافته وزن دار برای خوشه بندی wSFLA-k ارایه شده است، که در آن با در نظر گرفتن ویژگی های خوشه بندی، نظیر فشردگی درون خوشه و تفکیک بین خوشه ها، روش جستجوی قورباغه ها برای پیدا کردن غذا تغییر کرده است. هدف این الگوریتم بهینه سازی وزن های قورباغه می باشد. برای انجام آزمایش دو مجموع داده واقعی استفاده شده است که با الگوریتم های k-means, k-SFLA, k- GA مورد مقایسه قرار گرفته است. نتایج بدست آمده حاکی از عملکرد بهتر این روش در امر خوشه بندی می باشد.

کلیدواژه ها:

الگوریتم جهش قورباغه ، خوشه بندی ، فشردگی و تفکیک خوشه ها ، الگوریتم جهش قورباغه وزن دار wSFLA-k