یک راهکار جدید برای خوشه بندی بر اساس الگوریتم جستجوی فاخته بهبود یافته

خوشه بندی به عنوان یک ابزار مهم در شناسایی آماری الگو و داده کاوی به دسته بندی داده های مشابه می پردازد. در این مقاله، روش جدیدی جهت خوشه بندی بر اساس الگوریتم جستجوی فاخته (CS) با نام خوشه بندی جستجوی فاخته بهبود یافته (ECSC) ارائه میشود. جستجوی فاخته، روش بهینه سازی نسبتا جدید مبتنی بر جمعیت است که از تولید مثل انگلی پرنده فاخته الهام گرفته شده است. در CS هر فاخته که یک جواب مسئله خوشه بندی است، با نوعی گام تصادفی به نام پرواز لوی حرکت میکند و در مکان جدید یک تخم میگذارد. در این مقاله، با الهام از موثر بودن شرایط محیطی بر میزان تولید مثل، تعداد تخم هر فاخته با توجه به میزان برازندگی آن تعیین میشود. در واقع این عمل سبب میشود که اطراف جوابهای بهتر برای یافتن جواب سراسری جستجوی بیشتری نسبت به جوابهای ضعیف تر شود. نتایج عددی اعمال الگوریتم خوشه بندی بر روی شش مجموعه داده معیار نشان میدهد که این روش در مقایسه با الگوریتم های دیگر از جمله خوشه بندی CS پایداری بیشتر دارد و کاراتر است.

کلیدواژه ها:

خوشه بندی ، الگوریتم جستجوی فاخته ، پرواز لوی ، پردازش تصویر ، تابع هدف