ناهید سلیمی - دانش آموخته کارشناسی ارشد مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد ملایر
وحید رفیع - استادیار گروه مهندسی کامپیوتر، دانشگاه اراک

خوشه بندی یکی از مهمترین مسائل یادگیری بدون نظارت و همچنین از رایج ترین تکنیک های داده کاوی است، که برای کلاس بندی مجموعه های داده ای به زیرمجموعه های مشخص به کار می رود. الگوریتم k-means نیز یکی از مشهورترین الگوریتم های خوشه بندی با پیاده سازی آسان و عملکرد سریع می باشد. اما حساس بودن به مراکز خوشه اولیه سبب می شود تنها بتواند یک پاسخ بهینه محلی تولید کند. در این پژوهش راهکاری پیشنهاد شده است که با ترکیب روش خوشه بندی k-means با دو الگوریتم ژنتیک و بهینه سازی گروهی ذرات دقت خوشه بندی را بهبود بخشیده و از افتادن در دام بهینه محلی جلوگیری نماید برای ارزیابی الگوریتم خوشه بندی ارائه شده از سه مجموعه داده ی واقعی و استاندارد Wine، Iris و CMC استفاده شده و با روش های خوشه بندی k-means ژنتیک، بهینه سازی گروهی ذرات و الگوریتم های خوشه بندی فرااکتشافی و ترکیبی استخراجی از مقالات مقایسه شده است. نتایج مقایسه ها حاکی از آن است که کارایی الگوریتم ترکیبی پیشنهادی نسبت به سایر روش ها بهتر می باشد و این روش تا حد زیادی توانسته مشکلات سه الگوریتم به کار رفته در پیاده سازی آن را پوشش دهد.

خوشه بندی، k-means، الگوریتم ژنتیک، الگوریتم بهینه سازی گروهی ذرات