بهبود الگوریتم خوشه بندی کا-مینز از طریق چینش جدیدی از عملگرهای ژنتیکی

خوشه بندی یکی از مسائل اساسی در استخراج دانش از داده ها است که هدف آن گروه بندی داده های مشابه در یک مجموعه و جداسازی داده های نامتشابه در خوشه های مختلف است. الگوریتم کا-مینز یکی از پرکاربردترین روش های خوشه بندی محسوب می شود، اما این روش دارای مشکلاتی مانند حساسیت به مقدار اولیه کا، گیر افتادن در بهینه های محلی، و عدم توانایی در مدیریت نویز و داده های پرت است. برای بهبود این مشکلات، ترکیب الگوریتم ژنتیک با کا-مینز به عنوان یک راه حل ارائه شده است. در این مقاله، یک الگوریتم ترکیبی جدید پیشنهاد شده است که از الگوریتم ژنتیک برای بهینه سازی خوشه بندی کا-مینز استفاده می کند. این روش شامل انتخاب اولیه جمعیت با استفاده از مقداردهی اولیه هوشمندانه، ترکیب عملگرهای ژنتیکی مانند جهش و ترکیب و همچنین اجرای دوره ای الگوریتم کا-مینز برای اصلاح خوشه ها است. این فرآیند باعث می شود تا الگوریتم بتواند از کاوش گسترده الگوریتم ژنتیک و همگرایی سریع کا-مینز بهره ببرد. الگوریتم پیشنهادی روی ۱۸ مجموعه داده آزمایش شده و عملکرد آن با روش های موجود مقایسه شده است. نتایج نشان می دهند که این روش نه تنها دقت بالاتری نسبت به روش های دیگر دارد، بلکه سرعت اجرای بهتری نیز ارائه می دهد. همچنین، این روش به طور موثری از بهینه های محلی جلوگیری کرده و کیفیت خوشه بندی را نسبت به الگوریتم های قبلی بهبود بخشیده است.

کلیدواژه ها:

خوشه بندی ، الگوریتم ژنتیک ، کا-مینز ، داده کاوی ، ارزیابی خوشه ها