مقایسه الگوریتم های فرا اکتشافی بهینه سازی توده ذرات، تکامل تفاضلی و ژنتیک در خوشه بندی داده ها

داده کاوی شامل تکنیک های مختلفی است که یکی از مهمترین آنها، خوشه بندی اطلاعات است. خوشه بندی یکیرویکرد پرکاربرد و محبوب در زمینه یادگیری ماشین، داده کاوی و بازشناخت الگو است. درواقع خوشه بندی داده ها را بهدسته هایی که ازنظر پارامترهای موردعلاقه، شباهت بیشتری به یکدیگر دارند، تقسیم می کند. الگوریتم k-means یکیاز الگوریتم های رایج در خوشه بندی است که علیرغم دارا بودن سرعت بالا در بهینه محلی به دام می افتد و همچنین بهشرایط اولیه نیز وابسته است، درنتیجه همیشه جواب بهینه مسیله را تولید نمی نماید. برای مقابله با این مشکلات از الگوریتم های فرا اکتشافی استفاده می شود. در این پژوهش از سه الگوریتم تکاملی بهینه سازی توده ذرات (PSO)، تکامل تفاضلی (DE)و ژنتیک برای بهینه کردن خوشه بندی داده ها در شرایط یکسان بهره گرفته میشود تا کارایی آنها در شرایط یکسان مورد ارزیابی قرار بگیرد. در پایان، نتایج الگوریتم های ذکر شده به همراه الگوریتم پایه k-means با هم مقایسه می شوند.

کلیدواژه ها:

خوشه بندی ، الگوریتم ژنتیک ، الگوریتم تکامل تفاضلی ، الگوریتم بهینه سازی توده ذرات ، الگوریتم K-means