دوره 1، شماره 4، 1402، صفحات 6 - 25

نویسندگان : سجاد منطقی* ¹ ، سارا خسروانی پور ²

چکیده :
امروزه، خوشه¬بندی نقش مهمی را در اغلب زمینه¬های تحقیقاتی مانند مهندسی، پزشکی، زیست¬شناسی، داده¬کاوی و ... ایفا می¬نماید. در واقع خوشه¬بندی به معنای تقسیم¬بندی بدون نظارت می¬باشد. داده¬ها با استفاده از آن به دسته¬هایی که از نظر پارامترهای موردعلاقه، شباهت بیشتری به یکدیگر دارند، تقسیم می¬گردند. یکی از روش¬های معروف در این زمینه k-means می¬باشد. در این روش علی¬رغم وابستگی به شرایط اولیه و همگرایی به نقاط بهینۀ محلی، تعداد N داده به k خوشه با سرعت بالا، دسته¬بندی می¬شوند. در این مقاله جهت رفع مشکلات موجود از روش ترکیبی مبتنی بر الگوریتم¬های تکاملی و تئوری آشوب و k-means بهره گرفته خواهد شد؛ که علاوه بر رفع مشکلات ذکرشده، مستقل از تعداد متغیرها نیز خواهد بود. در این مقاله به‌منظور اعتبارسنجی، روش¬های پیشنهادی بر روی 13 مجموعۀ متفاوت مشهور پیاده¬سازی می¬گردد و نتایج با روش¬های الگوریتم ژنتیک، اجتماع ذرات، کلونی زنبور عسل، تبرید شبیه‌سازی‌شده، تکاملی تفاضلی، جستجوی هارمونی و k-means مقایسه خواهند گردید. توانایی بالا و مقاوم¬بودن این روش¬ها بر اساس نتایج مشهود خواهد بود.

کلمات کلیدی :
خوشه¬بندی، الگوریتم k-means، الگوریتم¬های تکاملی، آشوب، الگوریتم تکاملی آشوب‌گونه