رویکردی نوین بر خوشه بندی داده ها با استفاده از ترکیب الگوریتم های جستجوی هارمونی و شبیه سازی تبرید

مسئله خوشه بندی داده ها، یکی از موضوعات پژوهشی مهم در زمینه های متنوع از جمله آمار، الگوی تشخیص و یادگیری ماشین و داده کاوی بوده که برای دسته بندی مجموعه داده ها و اشیاء استفاده می شود. تاکنو روش زیادی برای خوشه بندی معرفی شده است . در این م قاله یک روش نوین برای خوشه بندی داده ها بر مبنای الگوریتم K-Means ارائه شد. یکی از معایب الگوریتم K-Means حرکت به سمت بهینه محلی است. در روش پیشنهادی با ترکیب الگوریتم K-Means با الگوریتم SA و بر پایه الگوریتم جستجوی هارمونی سعی شده است تا این مشکل حل گردد. نتایج تجربی نشان می دهد این ایده کارا بوده و در مقایسه با دیگر روش ها به نتایج بهتری دست می یابد.

کلیدواژه ها:

الگوریتم جستجوی شبیه سازی تبرید ، الگوریتم جستجوی هارمونی ، داده کاوی ، خوشه بندی