خوشه بندی با بکارگیری الگوریتم هوش توده ای

الگوریتم های خوشه بندی با کیفیت و سریع داده ها نقش مهمی را در هدایت موثر خلاصه سازی و سازماندهی اطلاعات بازی می کنند مطالعات اخیر نشان میدهد که خوشه بندی بصورت افراز برای خوشه بندی مجموعه داده های بزرگ مناسب ترند با این حال الگوریتم K-means که یکی از پرکاربردترین الگوریتم افراز درخوشه بندی است تنها یک راه حل بهینه محلی را تولید می کند دراین مقاله ما خوشه بندی داده ها را با بکارگیری الگوریتم pso بیان میکنیم برخلاف جستجوی محلی الگوریتم K-means الگوریتم خوشه بندی pso یک جستجوی کلی را در سراسر فضای راه حل شکل می دهد در تجاربی که داشته ایم ما الگوریتم های خوشه بندی hybrid psoو pso ،K-means را روی چهار پایگاه داده متنی متفاوت بکارگرفتیم نتایج نشان میدهد که الگوریتم hybrid pso نتایج خوشه بندی فشرده تری نسبت به الگوریتم K-means تولید می کند.

کلیدواژه ها:

خوشه بندی ، هوش توده ای ، بهینه سازی گروه ذرات بنیادی