استفاده از الگوریتم جستجوی تصادفی تقلید نیروی گرانشی بر پایه رفتار کیاتیک برای خوشه بندی داده ها

خوشه بندی یکی از بخش های مهم در حیطه دانش داده کاوی است که با توجه به کاربردهای فراوانی که در حل مساایل دنیای واقعی دارد، همواره مورد توجه محققان و متخصصان داده کاوی بوده است. مهم ترین و پرکاربردترین الگوریتمی که در بحث خوشه بندی وجود دارد، الگوریتم K-means است که جزو روش های افرازبندی بوده و بدلیل سادگی و اجارای سریع در دسته بندی مجموعه داده تست بزرگ شناخته شده است. K-means دو نقطه ضعف دارد: وابستگی به مقدار دهی های اولیه و اینکه بهینگی های محلی و راه حل های جهانی را نمی توان با حجم معقولی از محاسبات به دست آورد. برای غلبه بر مشکل بهینه سازی محلای مطالعاات زیاادی در زمیناه ی خوشاه بنادی انجاام شاده اسات . در ایان مقالاه روش هیوریستیک جدیدی به نام الگوریتم جستجوی تصادفی تقلید نیروی گرانشی بر پایه رفتار کیاتیک برای حل مساله خوشاه بندی پیشنهاد شده است. این الگوریتم بر پایه مفاهیم جستجوی تصادفی، دو تا از چهار پاارامتر الالی سارعت و نیاروی گرانشی در فیزیک و همچنین با جایگزینی اعداد کیاتیکی بجای اعداد تصادفی استفاده می نماید. الگاوریتم پیشانهادی ر ا CEGELS نامیده و هدف آن بهبود در سرعت همگرایی می باشد. برای تصادی ، الگاوریتم را پیاده ساازی نماوده و باا الگوریتم های HBMO ، GA ، PSO ، ACO ، SA ، TS و K-means بر روی مجموعه داده های استاندارد از مخازن داده UCI مقایسه نموده ایم. نتایج تجربی نشان می دهد الگوریتم پیشنهادی از کارایی بالایی نسبت به دیگر الگوریتم های هیوریستیک برخوردار است.

کلیدواژه ها:

خوشه بندی ، K-means ، قانون نیوتن ، نیروی گرانشی ، Chaos