اسماعیل ملک زاده سرایی - گروه مهندسی کامپیوتر، دانشکده علامه محدث نوری،نور
پویان صالحی - گروه مهندسی کامپیوتر، موسسه آموزش عالی علوم و فناوری آریان، امیرکلا بابل
معصومه مشهدی بابایی بیشه - گروه مهندسی کامپیوتر، موسسه آموزش عالی علوم و فناوری آریان، امیرکلا بابل

یکی از با اهمیت ترین مسایل یادگیری بدون نظارت و همچنین از کاربردی ترین روشها در داده کاوی مسیله خوشه بندی است. که برای کلاس بندی مجموعه داده ها به زیر مجموعه مشخص به کار می رود. الگوریتم k-menas نیز یکی از مشهورترین الگوریتم های خوشه بندی با پیاده سازی آسان و عملکرد سریع می باشد. اما حساس بودن به مرکز خوشه اولیه سبب می شود تنها بتواند یک پاسخ بهینه محلی تولید کنند. در این پژوهش راهکارهای پیشنهاد شده است با ترکیب روش خوشه بندی k-menas با دو الگوریتم وال سفید و بهینه سازی گروهی ذرات خوشه بندی را بهبود بخشیده و افتادن در دام بهینه محلی جلوگیری نماید. برای ارزیابی الگوریتم خوشه بندی ارایه شده از سه مجموعه داده ای واقعی و استاندارد Iris, Wine, CMC استفاده شده و با روش خوشه بندی k-means و و الگوریتم وال و و بهینه سازی گروهی ذرات و الگوریتم های خوشه بندی فرا اکتشافی و ترکیب استخراج از مقالات مقایسه شده است نتایج مقایسه ها حاکی از آن است که کارایی الگوریتم ترکیبی پیشنهادی نسبت به سایر روش ها بهتر می باشد و این روش تا حد زیادی توانسته مشکلات الگوریتم به کار رفته در پیاده سازی آن را پوشش دهد.

؛k-means، الگوریتم بهینه سازی نهنگ، الگوریتم کلونی زنبور عسل