صحیفه پور رمضانی کلاشمی - دانشگاه آزاد اسلامی، واحد مشهد، دانشکده فنی و مهندسی، گروه هوش مصنوعی
سید جواد سید مهدوی چابک - دانشگاه آزاد اسلامی، واحد مشهد، دانشکده فنی و مهندسی، گروه هوش مصنوعی

خوشه بندی یکی از تکنیک های معروف در زمینه ی داده کاوی می باشد که در آن داده های با خواص مشابه درون مجموعه ای از دسته ها قرار می گیرند. الگوریتم k-means از ساده ترین الگوریتم های خوشه بندی است که دارای معایب حساس شدن به مقادیر اولیه خوشه ها و همگرا شدن به بهینه ی محلی می باشد. در سالهای اخیر الگوریتم های مختلفی بر پایه الگوریتم های تکاملی برای خوشه بندی ارائه شده است اما متأسفانه رفتارهای نا امید کننده ای از خود نشان داده اند. در این مقاله نوعی از الگوریتم جهش قروباغه ی بهبود یافته (LSFLA)، برای خوشه بندی ارائه شده است که در آ« از مفهوم ترکیب و آشوب برای بالا بردن دقت عملکرد الگوریتم استفاده شده است. همچنین به دلیل استفاده از مفهوم آنتروپی در تابع برازندگی توانسته ایم کارایی این الگوریتم رابرای خوشه بندی بالا ببریم. برای انجام آزمایش از چهار مجموعه داده واقعی استفاده شده است که با الگوریتم های CPSO، PSO، GA، K-menas مورد مقایسه قرار گرفته است. نتایج بدست آمده حاکی از عملکرد بهتر این روش در امر خوشه بندی می باشد.

آشوب، الگوریتم جهش قورباغه، آنتروپی، خوشه بندی