به کارگیری الگوریتم بهینه سازی سنجاقک جهت خوشه بندی داده ها با استفاده از الگوریتم K-means

پردازش داده، یکی از شاخص های بسیار مهم در دنیای اطلاعات است و خوشه بندی یکی از بهترین روش هایی است که برای کار با داده ها ارائه شده است. خوشه بندی قابلیت ورود به فضای داده و تشخیص ساختارش را امکان پذیر می نماید. لذا به عنوان یکی از ایده آل ترین مکانیزم ها، بای کار با دنیای عظیم داده ها محسوب می شود. به بیان ساده می توان گفت که خوشه بندی قرار دادن داده ها در گروه هایی است که اعضای هر گروه از زاویه خاصی شبیه یکدیگرند و در نتیجه شباهت بین داده های درون هر خوشه حداکثر و شباهت بین داده های درون خوشه های متفاوت حداقل می باشد. معیار شباهت در اینجا، فاصله است یعنی نمونه هایی که به یکدیگر نزدیکترند در یک خوشه قرار می گیرند. به عنوان نمونه در خوشه بندی اسناد دوری و یا نزدیکی داده های متناسب با تعداد کلمه های مشترکی است که در دو سند وجود دارد و یا در خوشه بندی سبد خرید مشتریان، فاصله براساس شباهت خرید تعیین می شود. یکی از روش های معروف در این زمینه k-means می باشد که علی رغم وابستگی به شرایط اولیه و همگرائی به نقاظ بهینه محلی، تعداد N داده را به k خوشه با سرعت بالا، دسته بندی می نماید. در این پژوهش نامه جهت رفع مشکلات موجود از روش خوشه بندی ترکیبی مبتنی بر الگوریتم سنجاقک و الگوریتم k-means بهره گرفته خواهد شد؛ الگوریتم سنجاقک یک تکنیک جدید در بهینه سازی هوشمند برای حل مسائل گوناگون است.

کلیدواژه ها:

الگوریتم خوشه بندی k-means ، الگوریتم های فرا ابتکاری ، بهینه سازی هوشمندسازی هوشمند ، الگوریتم بهینه سازی سنجاقک ، خوشه بندی