کاربرد الگوریتم بهینهسازی نیروی مرکزی در خوشه یابی داده

یکی از روشهای رایج و مهم در زمینه داده کاوی خوشهیابی داده میباشد که فرآیندیست برای گروهبندی دادههای مشابه، به صورتی که بتوان از آن در مسائل کاربردی و علوم گوناگون همچون تشخیص دستخط، بازیابیداده، زیست-شناسی، ژنتیک، فشردهسازی اطلاعات، بیناییماشین، موتورهایجستجوی اینترنت، بازاریابی و دیگر علوم مرتبط استفاده کرد. روشهای سنتی خوشهیابی داده که ازمعروفترین آنها روشK-meansکه در بسیاری از مسائل مهندسی به کار رفته است، دارای مشکلاتی همچون رسیدن به جواب محلی و عدم همگرایی به یک جواب دقیق در اکثر مواقع و همچنین وابستگی شدید به مقادیر اولیه خود هستند. دراین مقاله به بیان روشی جدید از خوشهیابی نظارت شده مبتنی بر الگوریتم بهینه سازی نیروی مرکزیCentral Force Optimization) CFOپرداخته شده است در این الگوریتم جوابهای مسئله که مراکز خوشهها هستند ابتدا به صورت تصادفی انتخاب شده و بر طبق قوانین چهانی نیروی گرانش با همکاری یکدیگر، در فضای مسئله به جستجوی بهترین جواب میپردازند. ذرات به کار رفته در الگوریتم پراب نام دارند. عملکرد الگوریتم بهینهسازی نیروی مرکزی با دیگر الگوریتمهای مشابه همچون الگوریتم ژنتیکK-means و (Gentic Algorithm) GAبر روی چهار دسته داده واقعی و استاندارد مقایسه شده که نتایج آن قدرت و عملکرد بسیار چشمگیرالگوریتمCFOرا در خوشهیابی داده تایید کرد.

کلیدواژه ها:

الگوریتم هوشمند ، الگوریتم بهینه سازی نیروی مرکزی ، خوشهیابی ، داده کاوی