مروری بر روش های اصلاح الگوریتم کلونی زنبور مصنوعی با رویکرد کاربردی در خوشه بندی

خوشه بندی یکی از شاخه های یادگیری بدون نظارت و فرآیند خودکاری است که در طی آن، نمونه ها به دسته هایی با اعضای مشابه تقسیم میشوند که به این دسته ها خوشه گفته میشود. در خوشه بندی به دنبال بهترین خوشه ها هستیم. خوشه ها زمانی بهترین خواهند بود که اعضایی که در یک خوشه قرار دارند کمترین فاصله را با یکدیگر داشته باشند. همچنین هر خوشه نسبت به خوشه های دیگر بیشترین فاصله را داشته باشد. در روشهای خوشهبندی معمول داده ها در تعداد از پیش تعیین شدهای از خوشه ها باید دسته بندی شوند. متاسفانه در اکثر مسایل واقعی تعداد خوشه ها مشخص نیست و با توجه به میزان خوب بودن خوشه بندی متفاوت خواهد بود. این روش یادگیری بدون نظارت است که هیچ اطلاعاتی بجز داده های آموزشی در اختیار یادگیرنده قرار ندارد و این یادگیرنده است که بایستی در داده ها به دنبال ساختاری خاص بگردد به همین دلیل خوشه بندی اتوماتیک میتواند این مشکل را برطرف و تعداد خوشه ها را تعیین کند و با توجه به معیار ارزیابی تعداد خوشه ها را کم یا زیاد نماید. خوشه بندی اتوماتیک در مسایل بهینه سازی دسته بندی میشود چرا که شباهت درون کلاسی را مینیمم کرده و شباهت برون کلاسی را ماکزیمم میکند. به دلیل پیچیدگی برخی از روشهای خوشه بندی اتوماتیک از روشهای اکتشافی استفاده میکنند.

کلیدواژه ها:

الگوریتم کلونی زنبور عسل ، بهینه سازی ، خوشه بندی خودکار ، داده کاوی ، هوش جمعی