تلفیق الگوریتم خوشه بندی K-means و الگوریتم SFLA جهت خوشه بندی داده ها

خوشه بندی داده ها یک راهکار موثر در تحلیل داده ها و داده کاوی است. الگوریتم k-means یکی از روش های رایجخوشه بندی می باشد که بدلیل پیاده سازی آسان و عملکرد مناسب به طورگسترده ای به کار می رود اما مشکلاتی از جمله حساسبودن به مقادیر اولیه و گرفتار شدن در بهینه محلی از قدرت عملکرد آن می کاهد. در این مقاله جهت غلبه بر مشکلات ذکرشده روشی ترکیبی مبتنی بر الگوریتم جهش قورباغه و الگوریتم k-means ارایه شده است. نتایج بدست آمده حاکی از عملکرد بهتر این روش در امر خوشه بندی نسبت به الگوریتم های مورد مقایسه می باشد.

کلیدواژه ها:

داده کاوی ، خوشه بندی ، الگوریتم جهش قورباغه ، الگوریتم k-mean