بهینه سازی یک الگوریتم خوشه بندی با کمک اتوماتای یادگیر سلولی

امروزه حجم وسیعی از اطلاعات مواجه هستیم که باید آن ها را ذخیره سازی یا نمایش دهیم یکی از روش های مهم و ضروری در کنترل و مدیریت این داده ها خوشه بندی یا گروه بندی داده ها با ویژگی های مشابه درون مجموعه ای از دسته ها یا خوشه ها است خوشه بندی داده ها از جمله روش های بدون ناظر هستند که ظیفه کاش الگوهای پنهان در داده های بدون برچسب را بر عهده دارد الگوریتم های خوشه بندی بر مجموعه ای از الگوها اعمال می شوند ال الگوهای ورودی را به چندین خوشه گروه تقسیم کنند به نحوی که الگوهایی که درون یک خوشه قرار داده می شوند با یکدیگر شبیه و با اعضای خوشه های دیگر متفاوت باشند به عبارت دیگر خوشه بندی مطلوب خوشه بندی است که واریانس درونی خوشه ها در آن حداقل و واریانس بین خوشه ها در آن حداکثر می باشد به خاطر پییدگی پارامترهای متعدد مسئله و ضعف روش های خوشه بندی امروزه بیشتر تحقیقات به سمت روش های خوشه بندی تکاملی پیشرفته است ولی مشکل اصلی روش های تکاملی زمان بر بودن این روش ها در همگرایی به جواب نهایی و امکان گیر کردن جواب ها در نقاط بهینه محلی است

کلیدواژه ها:

خوشه بندی ، اتوماتای یادگیری سلولی ، K-Means ، الگوریتم ژنتیک