بهبود الگوریتم خوشه بندی خودبهینه با استفاده از الگوریتم ژنتیک

امروزه، خوشه بندی نقش مهمی را در اغلب زمینه های تحقیقاتی مانند مهندسی، پزشکی، زیست شناسی، داده کاوی و...ایفا می نماید. خوشه بندی را می توان به عنوان مهمترین مساله در یادگیری بدون نظارت در نظر گرفت. روش خوشه بندیخودبهینه SOC از جمله روش های معروف خوشه بندی است که فاکتور بهینه سازی آن در تابع آستانه ای از طریق روش درونیابی محاسبه می شود و علیرغم پیچیدگی و صرف زمان زیاد در پیدا کردن خوشه هایی با کیفیت بالاتر موثرمی باشد. از آنجاییکه الگوریتم ژنتیک الگوریتم بهینه سازی سراسری است و توانایی های بالای آن با قابلیت های مختلفدر حل مسائل بهینه سازی به اثبات رسیده است؛ این تحقیق جهت رفع مشکلات موجود ترکیب الگوریتم ژنتیک را باروش خوشه بندی خودبهینه پیشنهاد می کند. عملیات اصلی خوشه بندی توسط SOC انجام می شود اما الگوریتم ژنتیک پیشنهادی مرکز خوشه های پیدا شده توسط SOC را بازبینی می کند و با بهینه سازی آن، خوشه های بهینه را پیدا می کند. روش پیشنهادی جهت مقایسه و ارزیابی کارآیی با استفاده از شاخص های معتبر با روش های معروف خوشه بندی می کند. روش پیشنهادی جهت مقایسه و ارزیابی کارآیی با استفاده از شاخص های معتبر با روش های معروف خوشه بندی از قبیل IMC ،MMC ،EM،FCM ،K-Mediod ،K-Means و SOC با مجموعه داده های مختلف تصویری و متنی مقایسه می شود و نتایج شبیه سازی نشان می دهند که روش پیشنهادی خوشه بندی دقیق تری نسبت به روش های خوشه بندی دیگر انجام میدهد.

کلیدواژه ها:

خوشه بندی ، خوشه بندی خودبهینه (SOC) ، تابع آستانه ای ، الگوریتم ژنتیک ، GASOC