ارایه رویکرد ترکیبی ممتیک الگوریتم و تیوری آشوب در خوشه بندی داده ها

در خوشهبندی دادهها، هدف کاهش فاصله درون خوشهای و افزایش فاصله بین خوشهای است. بنابراین هدف اصلی، حداقل نمودن فاصله نقاط داده ای تا مراکز خوشه ها می باشد. الگوریتمهای خوشهبندی توانمند، الگوریتم هایی هستند که بتوانند بر روی مجموعه دادههای مختلف، مقدار این معیار را به حداقل برسانند. بدین منظور از الگوریتمهای تکاملی استفاده می شود. یکی از این الگوریتمها، الگوریتم ممتیک است که از طریق ترکیب الگوریتم ژنتیک و یک الگوریتم جستجوی محلی ایجاد میشود. در این الگوریتم عمل جستجو به جای تکرار زیاد از جستجوی هوشمندانه در هر مرحله استفاده می کند. یکی از بهترین روش های خوشه بندی روش means-k است که ترکیب الگوریتم ممتیک با آن نقش مهمی در بالا بردن سرعت همگرایی دارد. همچنین تیوری آشوب یک جستجوی سراسری را به جای جستجوی محلی انجام میدهد. برای بهره گرفتن از مزایای استفاده از سرعت همگرایی الگوریتم ممتیک و ویژگی جستجوی سراسری تیوری آشوب، از ترکیب آنها در روش پیشنهادی استفاده میگردد. این مقاله با هدف کمک به خوشهبندی دادهها و بهبود کارایی آن با ترکیب الگوریتم ممتیک و تیوری آشوب ارایه میشود و با آزمایشات انجام شده که بر روی دیتاهای مختلف صورت گرفت، روند بهبود کمی همگرایی و دقت، اثبات گردید.

کلیدواژه ها:

الگوریتم ممتیک ، تابع لجستیک ، تیوری آشوب ، خوشه بندی means-K