پیشرفتهای نوین در خوشه بندی ترکیبی K-Means مبتنی بر روش های فراابتکاری

در داده کاوی و هوش محاسباتی خوشه بندی یکی از مهم ترین روش های کشف الگو در داده های پیچیده به شمار می رود. الگوریتم K-Means به دلیل سادگی، کارایی و مقیاس پذیری بالا از پرکاربردترین روش های خوشه بندی است؛ با این حال، وابستگی به مقداردهی اولیه مراکز خوشه و احتمال همگرایی به بهینه های محلی از مهم ترین محدودیت های آن محسوب می شود. در این پژوهش رویکردهای بهبودیافته K-Means مبتنی بر الگوریتم های فراابتکاری بررسی و نقش آن ها در افزایش دقت، پایداری و سرعت همگرایی خوشه بندی تحلیل شده است. نتایج بررسی مطالعات نشان می دهد که این روش ها در مقایسه با K-Means، استاندارد کیفیت خوشه بندی را بهبود داده، سرعت همگرایی را افزایش داده و خطای خوشه بندی را کاهش می دهند. با وجود این، افزایش پیچیدگی محاسباتی، حساسیت به تنظیم پارامترها و چالش های پیاده سازی از مهم ترین محدودیت های این رویکردها به شمار می روند. این بررسی تصویری جامع از روند توسعه روش های بهبود K-Means ارائه می دهد و می تواند زمینه ساز پژوهش های آینده در حوزه خوشه بندی هوشمند و داده کاوی باشد.

کلیدواژه ها:

داده کاوی ، خوشه بندی ، K-Means ، الگوریتم ترکیبی ، نوآوری الگوریتمی