خوشه بندی داده ها با استفاده از الگوریتم بهینه یابی جفت گیری زنبور های عسل سلولی

امروزه با توجه به حجم بسیار بالا و نیز روند رو به رشد میزان داده هایی که بشر با آن سروکار دارد نیاز به روشهایی همچون داده کاوی برای تحلیل این حجم بزرگ از اطلاعات احساس می گردد یکی از مهمترین شاخه های داده کاوی خوشه بندی می باشد با توجه به نرخ بسیار بالای تولید داده ها و اطلاعات در خوشه بندی داده ها نیاز به روشهایی داریم که بتواند با سرعت و دقت بسیار بالا داده ها را تحلیل نماید. یکی از این روشها استفاده از اتوماتای سلولی با توجه به توان موازی سازی بسیار بالای آن می باشد از طرفی با توجه به رشد روشهای تکاملی و فراکاوشی در دهه های اخیر این روشها به عنوان یک ابزار جستجو و بهینه سازی در حوزه های مختلف علوم، تجارت و مهندسی می باشد و همچنین سهولت استفاده و قابلیت دستیابی به جواب نزدیک به بهینه مطلق از دلایل موفقیت این روشها می باشد دراین مقاله یک مدل ترکیبی با نام با نام HBMCA جهت خوشه بندی داده ها ارائه نموده ایم که در هر سلول اتوماتای سلولی الگوریتم HBMO مورد نظر با تعداد قابل قبولی از پروازهای جفت گیری اجرا می گردد سپس ملکه موجود در هر سلول با سایر ملکه های سلولهای همسایه مقایسه م ی شود این کار انقدر ادامه می یابد تا به یک ملکه در یک سلول برسیم که جواب بهینه حاصل می گردد جهت ارزیابی الگوریتم از سه مجموعه داده استاندارد Iris ، WineوBreast-Cancer استفاده نموده ایم و دو نوع ازمایش متفاوت را برروی این سه مجموعه داده انجام داده ایم نتایج نشان دهنده این است که الگوریتم پیشنهادی دارای کیفیت، زمان اجرا و مقدار برازش بهتری در خوشه بندی داده ها می باشد.

کلیدواژه ها:

داده کاوی ، خوشهبندی ، اتوماتای سلولی ، الگوریتم بهینه یابی جفت گیری زنبورهای عسل