ارائه روشی جدید برای خوشه بندی و جستجوی داده های مختلط با استفاده از شاخص Davies-Bouldin الگوریتم ژنتیک

خوشه بندی برای یافتن الگوهای مفید در مجموعه داده های بزرگ بسیار مورد توجه است که برای کشف گروه ها و شناسایی توزیع ها مفید می باشد خوشه بندی عبارتست از دسته بندی تعدادی از اشیا به منظور ایجاد گروه هایی تحت عنوان خوشه است به نحوی که اشیا درون یک خوشه بسیار شبیه هم بوده است و از بقیه اشیا کاملا متمایز باشند انواع خوشه بندی عبارتست از روش های مبتنی بر افراز داده ها روش های سلسله مراتبی روش های شبکه ای روش های مبتنی بر تراکم و روش های مبتنی بر مدل می باشند روش های ارائه شده معمولا بر روی داده هایی از یک نوع تمرکز کرده و بر روی داده های مختلط کاربردی ندارند در حالی که در مسائل دنیای واقعی و اغلب پایگاه داده ای از داده های مختلط استفاده می گردد بنابراین نیاز به طراحی روشی که بر روی داده های مختلط به کار گرفته شود احساس می شود در این مقاله روش ( ) مطرح می شود که طی دو مرحله عمل خوشه بندی مبتنی بر افزار را بر روی داده ها انجام می دهد این الگوریتم در مرحله اول ابتدا داده ها را به صورت طیفی خوشه بندی کرده و در مرحله دوم عمل خوشه بندی را با استفاده از جستجوی محلی اصلاح می کند در ایین مقاله روش جدیدی از الگوریتم ژنتیک با استفاده از شاخص که روش جایگزین به جای روش دوم جهت خوشه بندی و جستجوی سریع ارائه می گردد که الگوریتم پیشنهادی تحت عنوان تابع برازندگی شرح داده می شود MVNC Davies-Bouldin