بهبود روش خوشه بندی میانگین هارمونیک K با استفاده از الگوریتم های با استفاده از الگوریتم های Cuckoo و ازدحام ذرات PSO

داده کاوی شامل تکنیکهای مختلفی است که یکی از مهمترین آنها، خوشهبندی اطلاعات میباشد. خوشهبندی یک روش یادگیری بدون نظارت محسوب میشود. ناهنجاریها در خوشه بندی داده ها، خوشههایی هستند که چگالی کمتری داشته و در فاصله دورتری از بقیه قرار گرفتهاند. یکی از مسایلی که در خوشه بندی همیشه با آن مواجه هستیم مسیله زمان پردازشبالا و بالا بودن پارامتر انحراف معیار، و مشکل بهینه محلی Local optimum می باشد. در این مقاله یک الگوریتم جدید برای بهبود خوشه بندی داده ها با استفاده از الگوریتم بهینه شده پرنده فاخته و الگوریتم PSO ارایه خواهیم داد. در اینجا الگوریتم پایه ما برای بهبود همان الگوریتم ارایه خواهیم داد. در اینجا الگوریتم پایه ما برای بهبود همان الگوریتم است که نسبت به الگوریتمهایی مثل k-means دارای ویژگی های بهتری بوده ولی همچنان مشکل بهینگی محلی کیفیت پایین خوشه ها را می توان در آن دید. در این مقاله به منظور افزایش کارایی الگوریتم KHM در الگوریتم PSOKHM آن را با یک روند تکاملی دیگر نظیر الگوریتم پرنده فاخته Cuckoo ترکیب کنیم الگوریتم پرنده فاخته Cuckoo به منظور رفع بهینه محلی در الگوریتم KHM کمک به افزایش کارایی الگوریتم PSO می تواند بسیار موثر باشد.

کلیدواژه ها:

خوشهبندی دادهها ، جستجوی فاخته ، الگوریتمKHM و PSO