ارایه الگوریتم خفاش بهبودیافته جهت خوشه بندی داده ها

خوشه بندی یکی از روشهای رایج برای تحلیل داده ها در داده کاوی است. الگوریتم k-means یکی از ساده ترین و مشهورترینالگوریتم های یادگیری بدون نظارت برای حل مسیله خوشه بندی است. اما مشکلاتی مانند وابستگی به مراکز اولیه خوشه ها و افتادن دربهینه محلی، عملکرد آن را کاهش میدهد. هدف از الگوریتم k-means انتخاب مراکز خوشه ها به گونه ای است که فاصله ی نقاط هر خوشه از مرکز آن به حداقل برسد. در سالهای اخیر، از الگوریتم های فرا ابتکاری برای بهبود عملکرد الگوریتم های خوشه بندیاستفاده شده است. در این مقاله، از یک روش مبتنی بر الگوریتم خفاش که برای افزایش قابلیت جستجو، با الگوریتم تکامل تفاضلیترکیب شده است، استفاده شده است تا عملکرد الگوریتم k-means بهبود داده شود. عملکرد الگوریتم پیشنهادی با مجموعه داده های مختلف از UCI ارزیابی شده است و نتایج آن با الگوریتم k-means، الگوریتم خفاش، الگوریتم تکامل تفاضلی و سایر الگوریتم های فرا ابتکاری مطرح شده، مقایسه شده است و بر طبق نتایج به دست آمده از آزمایش ها، بهبود عملکرد الگوریتم پیشنهادی در انتخاب بهینه مراکز خوشه ها و نیفتادن در بهینه محلی نسبت به الگوریتم های خوشه بندی دیگر نشان داده شده است.

کلیدواژه ها:

الگوریتم خفاش ، الگوریتم تکامل تفاضلی ، خوشه بندی داده ، الگوریتم k-means ، بهینه سازی