الگوریتم خوشه بندی ترکیبی فرااکتشافی با استفاده از کلونی زنبور عسل و بهینه سازی توده ذرات

داده کاوی شامل تکنیک های مختلفی است که یکی از مهمترین آنها، خوشه بندی اطلاعات می باشد. خوشه بندی یکی از مسائل مهم درزمینه یادگیری ماشین، داده کاوی و الگو شناسی است. در واقع خوشه بندی داده ها را به دسته هایی که از نظر پارامترهای مورد علاقه، شباهت بیشتری به یکدیگر دارند، تقسیم می گردند. الگوریتمK-meansیکی از روش های رایج خوشه بندی می باشد که علیرغم مزایای بسیار از جمله سرعت بالا در دام بهینه محلی قرار گرفته و همیشه جواب بهینه مسئله را تولید نمی نماید. در این مقاله سعی شده است که یک الگوریتم جدید)HABC-PSO(برای بهبود خوشه بندی داده ها با استفاده از روش فرا ابتکاریPSO و ABCپیاده سازی شود. در اینجا الگوریتم پایه ما برای بهبود همان الگوریتمK-meansاست. الگوریتم کلونی زنبورABC(از جمله رویکردهای فرا اکتشافی مبتنی بر جمعیت می باشد. الگوریتمHABC-PSOبا مجموعه داده های مختلف تست و نتایج آن با الگوریتم هایK-means و PSO ،ABCمقایسه شده است. نتایج شبیه سازی نشان می دهد که الگوریتم جدید قادر است با دقت بالایی جواب بهینه را تولید نماید

کلیدواژه ها:

داده کاوی ، خوشه بندی ، کلونی زنبور عسل ، بهینه سازی توده ذرات ، مینیمم محلی