یک الگوریتم ترکیبی جدید برای خوشه بندی داده هابا استفاده از PSO

خوشه بندی یکی از تکنیک های اصلی داده کاوی است که به طور گسترده در علوم مختلف از جمله پزشکی و بیو انفورماتیک، بازاریابی و اقتصاد، یادگیری ماشین و تشخیص الگو بکار می رود. الگوریتم K-Means یکی از معروف ترین الگوریت مهای خوشه بندی است که به دلیل سادگی و کارایی بالاوسهولت پیاده سازی با اینکه معایبی مانند قرار گرفتن در بهینه های محلی و حساس بودن به مقادیر اولیه دارد پس از گذشت نیم قرن از ارائه آن، توسط محققین بسیاری از رشته ها بکارگرفته می شود. الگوریتم بهینه سازی دسته ذرات (PSO) الگوریتمی است با قدرت بالا در جستجوی سراسری و سرعت همگرایی آن نسبت به الگوریتم K-Means پایین است. در این مقاله استفاده از مزایای هر یک از این دو الگوریتم همچنین جلوگیری از تاثیر منفی نقطه ضعف های هر یک از این دو الگوریتم می باشد. مهمترین مزیت الگوریتم K-means، سرعت همگرایی بسیار بالای آن و بزرگترین عیب آن گیر افتادن در بهینه های محلی یا همان همگرایی زودرس می باشد. از طرف دیگر الگوریتم PSO دارای توانایی بالاتری در فرار از بهینه های محلی و انجام جستجوی سراسری دارد ولی سرعت همگرایی آن نسبت به الگوریتم K-means بسیار پایین تر می باشد. با توجه به موارد ذکر شده، هدف اصلی الگوریتم ترکیبی پیشنهادی استفاده از الگوریتم K-means برای افزایش سرعت همگرایی و همچنین توانایی الگوریتم PSO در انجام جستجوی سراسری می باشد.

کلیدواژه ها:

خوشه بندی ، K-Means ، الگوریتم بهینه سازی دسته ذرات ، جستجوی سراسری