بهبود خوشه بندی با استفاده از الگوریتم ژنتیک با درنظر گرفتن نرخ عملگر جهش

خوشه بندی از ابزارهای متداول داده کاوی بوده که به استخراج خوشه های با حداکثر شباهت بین عناصر داخل دسته و حداقل شباهت با عناصر سایر دسته ها می پردازد. الگوریتم K-MEANS یکی از مشهورترین الگوریتم ها برای خوشه بندی می باشد. اما مشکلاتی از قبیل حساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی از قدرت آن می کاهد. ما در این مقاله با استفاده از یک الگوریتم ژنتیک سعی بر آن داریم که خوشه بندی را به بهترین نحو انجام دهیم و نشان می دهیم که نقاط بهینه محلی زیاد هستند در نتیجه نرخ جهش را تغییر دهیم و در نهایت به این نتیجه می رسیم که اگر نرخ جهش بالا باشد می توان بهتر خوشه بندی انجام داد.

کلیدواژه ها:

خوشه بندیف الگوریتم زنتیک ، نرخ جهش ، الگوریتم