استفاده از هوش مصنوعی و الگوریتم بهینه سازی Sand Cat Swarm جهت بهبود فرآیند خوشه بندی داده های متقارن

خوشه بندی داده ها یکی از مسائل مهم در حوزه کاوش و تحلیل داده ها است که هدف آن شناسایی الگوها و گروه بندی داده های مشابه می باشد. در این پژوهش، یک الگوریتم فراابتکاری جدید به نام Sand Cat Swarm (SCS) با استفاده از حافظه جستجوی تطبیقی و روش های تقویت و تنوع سازی به منظور بهبود فرآیند خوشه بندی داده ها معرفی شده است. الگوریتم پیشنهادی با تولید راه حل های تصادفی و به روزرسانی مداوم حافظه جستجو، به دنبال یافتن خوشه هایی با تقارن بالا حول مراکز خود است. نتایج حاصل از اجرای الگوریتم SCS روی مجموعه داده های مختلف، از جمله داده های شهرهای آلمان و مناطق پستی بایرن، عملکرد قابل قبولی را در دستیابی به خوشه های بهینه نشان می دهد. به عنوان مثال، در مجموعه داده های شهرهای آلمان، الگوریتم پیشنهادی برای تمامی تعداد خوشه ها به جز خوشه پنج بهترین نتایج را ارائه داده است. علاوه بر این، در مقایسه با الگوریتم های دیگر نظیر Battle Royale Optimization، PSO و Grey Wolf Optimization، روش SCS توانسته در خوشه های دو و چهار عملکرد بهتری داشته باشد. در مسئله دوم نیز روش پیشنهادی با میانگین خطای کمتر از ۱۲.۵۳ در مقایسه با خطاهای بالاتر از ۵۳۱.۴۴ مربوط به سایر الگوریتم ها، نتایج مطلوبی را در مقیاس های مختلف K به دست آورده است. تحلیل نتایج نشان می دهد که الگوریتم پیشنهادی، علاوه بر دقت بالا در تطابق با توزیع های متنوع داده ها، توانایی پایداری و بهینه سازی قابل توجهی دارد و در بیشتر موارد کمترین خطا را در مقایسه با روش های دیگر به نمایش گذاشته است. این مزیت ها نشان می دهد که الگوریتم SCS قابلیت گسترش و استفاده در کاربردهای مختلف کاوش داده را دارد.

کلیدواژه ها:

خوشه بندی ، الگوریتم SCS ، فراابتکاری ، حافظه جستجوی تطبیقی