خوشه بندی داده با استفاده از ترکیب K-harmonic means و PSO ، ABC

خوشه بندی یکی از مسائل مهم در زمینه یادگیری ماشین، داده کاوی و الگو شناسی است. در واقع خوشه بندی داده ها را به دسته هایی که از نظر پارامترهای مورد علاقه، شباهت بیشتری به یکدیگر دارند، تقسیم می کند. الگوریتمK-meansیکی از روش های رایج خوشه بندی می باشدکه علیرغم مزایای بسیار از جمله سرعت بالا در دام بهینه محلی قرار گرفته و حساس به مقادیر اولیه می باشد و همیشه جواب بهینه مسئله را تولید نمی نماید. روش خوشه بندیK-harmonic meansمسئله حساس بودن به مقدار اولیه را پوشش می دهد اما مشکل گرفتار شدن در دام بهینه محلی همچنان این الگوریتم را تهدید می کند. در این مقاله سعی شده است که یک الگوریتم جدیدAPKHM(برای بهبود خوشه بندی داده ها با استفاده از روش فرا ابتکاریPSO و ABCپیاده سازی شود. الگوریتم کولونی زنبورABC(از جمله رویکردهای فرا اکتشافی مبتنی بر جمعیت می باشد که یک تکنیک بهینه سازی احتمالی است که راه حل مناسبی برای غلبه بر مشکل ذکر شده است .الگوریتمHABC-PSOبا مجموعه داده های مختلف تست و نتایج آن با الگوریتم هایGSAKHM و PSOKHM ،KHMمقایسه شده است. نتایج شبیه سازی نشان می دهد که الگوریتم جدید قادر است با دقت بالایی جواب بهینه را تولید نماید.

کلیدواژه ها:

خوشه بندی داده ، کولونی زنبور عسل ، بهینه سازی توده ذرات