الگوریتم ترکیبی خوشه بندی با استفاده از رویکرد بهینه سازی جغرافیای زیستی

چکیده مقاله

خوشه بندی به معنای تقسیم بندی بدون نظارت میباشد با استفاده از آن داده ها به دستههایی که از نظر پارامترهای مورد علاقه شباهت بیشتری به یکدیگر دارند، تقسیم میگردند الگوریتم K Means یکی از مشهورترین روشهای خوشه بندی است که علیرغم مزایای بسیاری همچون سرعت بالا و سهولت در پیادهسازی دارای مشکلاتی نظیر حساس بودن به مقدار اولیه و همگرایی به نقاط بهینه محلی میباشد در این مقاله جهت رفع مشکلات ذکرشده از روش ترکیبی مبتنی بر الگوریتم بهینه سازی جغرافیای زیستی و K Means بهره گرفته خواهد شد همچنین جهت ارزیابی، روش پیشنهادی بر روی چهار مجموعه داده ی مشهور و استاندارد Iris، Wine، CMC و Vowel پیاده سازی گردیده و نتایج با الگوریتم های مورچگان، اجتماع ذرات، ژنتیک، شبیه سازی تبرید، جستجوی ممنوعه و K Means مقایسه شده است جهت مقایسه ی کیفیت خوشه بندی الگوریتم پیشنهادی با الگوریتم K Means از شاخصهای اعتبارسنجی دان، دیویس بولدین، کالینسکی هاراباسز و سیلهوته استفاده شده است نتایج نشان میدهد الگوریتم پیشنهادی توانسته است مشکل مقدار اولیه را در الگوریتم K Means مرتفع کرده و ضمن خروج از دام بهینه محلی، از سرعت و دقت همگرایی بهتری برخوردار باشد مقایسه شاخصهای ارزیابی بیان شده نشان میدهد کیفیت الگوریتم پیشنهادی به مراتب بهتر از روش K Means میباشد

کلیدواژه‌ها

نویسندگان

فاطمه سعادت جو

استاد گروه کامپیوتر ، دانشگاه علم و هنر، یزد، ایران

فضل الله ادیب نیا

استاد گروه کامپیوتر ، دانشگاه یزد، یزد، ایران

سیدمجتبی لاله

گروه کامپیوتر ، دانشکده فنی و مهندسی ، واحد یزد ، دانشگاه آزاد اسلامی ، یزد، ایران

�عادت جو، فاطمه و ادیب نیا، فضل الله و لاله، سیدمجتبی،1396،الگوریتم ترکیبی خوشه بندی با استفاده از رویکرد بهینه سازی جغرافیای زیستی،پنجمین کنفرانس بین المللی مهندسی برق و کامپیوتر با تاکید بر دانش بومی،تهران

ارائه‌شده در

مجموعه مقالات پنجمین کنفرانس بین المللی مهندسی برق و کامپیوتر با تاکید بر دانش بومی19 بهمن 1396 · تهران