ارائه روشی جدید مبتنی بر ترکیب ساختار نگاشت خود سازمانده و الگوریتم جستجوی ×هارمونی به منظور بهبود خوشه بندی داده ها

داده کاوی یکی از زمینه های اصلی پژوهش در علوم کامپیوتر است و این امر به علت کاربردهای فراوان آن در دنیای واقعی است. یکی از زیرشاخه های داده کاوی خوشه بندی است که نقش زیادی در استفاده از داده ها دارد. این مسئله به شکل یافتن یک مرکز خوب برای داده های هر خوشه تعریف می شود. روشهای مختلفی برای خوشه بندی وجود دارد که هر کدام سعی در ارائه روشی برای یافتن بهترین مرکز را دارد. ولی ضعف عمده اکثر این روشها، توانایی محدود برای یافتن بهترین مرکز و داشتن خطا نسبت به بهترین نتیجه می باشد. یکی از رویکردهای خوشه بندی، استفاده از SOM است. در این ساختار که شبیه شبکه عصبی است، گره هایی وجود دارند که هر گره چند بعدی است. در SOM نقش خوشه بندی را یک الگوریتم بر عهده دارد. خوشه بندی را می توان به عنوان یک مسئله بهینه سازی در نظر گرفت و از اینرو، می توان از الگوریتمهای بهینه سازی استفاده کرد.الگوریتم جستجوی هارمونی یکی از روش های شناخته شده در الگوریتمهای بهینه سازی است. در مقاله، دو روش جدید بر اساس الگوریتم جستجوی هارمونی معرفی می شوند که HS#1 و HS#2 نامیده می شوند. برخی آزمایشات بر روی دیتاست های معروف UCI، همانند Iris، Wine، Glass، و WBC اجرا شده است و نتایج نشان می دهد که روش های پیشنهادی نتایج خوبی را نسبت به روش های مشابه همانند K-means و HABC تولید می کنند.

کلیدواژه ها:

الگوریتم جستجوی هارمونی ، خوشه بندی داده ها ، داده کاوی.