مهری کمی - دانشجوی کارشناسی ارشد، رشته مهندسی نرم افزار، موسسه غیرانتفاعی میرداماد، گرگان
سهیلا گری - دانشجوی کارشناسی ارشد، رشته مهندسی نرم افزار ، موسسه غیرانتفاعی میرداماد، گرگان

خوشه بندی داده ها به کلاس ها یا دسته های متناسب یکی از مباحث مهم در داده کاوی و تشخیص الگو است. خوشه بندی یعنی قراردادن داده ها در دسته های مناسب ، با توجه به حفظ اصل حداکثر تشابه در یک دسته، و حداقل تشابه بین دسته ها می باشد. در این مقاله ابتدا یکی از روش های پایه در خوشه بندی به نام k-means شرح داده می شود. این الگوریتم در برابر اغتشاشات و نقات پرت حساس است.و یکی از مهمترین معایب آن این است که ممکن است به یک مینیمم محلی همگرا شود. راه حاهای زیادی برای حل این مشکل پیشنهاد شده است. یکی از راه حل ها استفاده از الگوریتمهای بهینه سازی می باشد. در این مقاله با استفاده از الگوریتم فراابتکاری بهینه سازی مبتنی بر جغرافیای زیستی BBO ، الگوریتم خوشه بندی که آن را BBO-clustering نامگذاری کردیم پیشنهاد شده است. در واقع سعی شده با استفاده از عملگرهای BBO و قابلیت جستجوی موازی آن ، دقت الگوریتم سنتی k-means را بهبود بخشیم. در پایان روشهای مزبور بر روی مجموعه داده هایی در محیط نرم افزار متلب تست شده اند. نتایج نشان دهنده کارایی بهتر الگوریتم پیشنهادی نسبت به الگوریتم سنتی k-means دارد.

بهبود خوشه بندی k-means، الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی، BBO