بهبود خوشهبندی ترکیبی با استفاده از الگوریتم بازپخت شبیهسازی شده

خوشه بندی یکی از مسائل اساسی در حوزه داده کاوی و شناسایی الگو است که به عنوان نوعی یادگیری بدون ناظر، الگوها را در دسته هایی سازماندهی می کند به گونه ای که اعضای هر دسته شباهت داخلی بالایی داشته و از سایر دسته ها متمایز باشند. اگرچه الگوریتم های خوشه بندی متعددی ارائه شده اند و در برخی مجموعه داده ها عملکرد قابل قبولی دارند، اما عملکرد الگوریتم های منفرد اغلب در مواجهه با ساختارهای پیچیده داده محدود است. در این پژوهش، روشی نوین برای اجماع خوشه بندی پیشنهاد می شود که در آن ابتدا با بهره گیری از اطلاعات ساختاری نظیر پایداری خوشه ها، اندازه آن ها و میزان شباهت نمونه ها، یک ماتریس مشارکت همزمان پیشرفته ساخته می شود. در مرحله بعد، از الگوریتم بازپخت شبیه سازی شده به عنوان یک روش بهینه سازی تکاملی برای استخراج افراز نهایی از این ماتریس بهره گرفته می شود. تابع هدف طراحی شده برای این فرآیند به گونه ای تعریف شده که همزمان کیفیت خوشه بندی و انسجام داخلی خوشه ها را بهبود بخشد. نتایج حاصل از ارزیابی روی چند مجموعه داده استاندارد، نشان می دهد که روش پیشنهادی از نظر شاخص های ارزیابی کیفیت عملکرد بهتری نسبت به روش های پایه دارد.

کلیدواژه ها:

خوشهبندی ترکیبی ، الگوریتم بازپخت شبیه سازی شده ، پایداری ، دقت ، بهینه سازی