بهبود الگوریتم خوشه‌بندیdbscan از طریق تعیین پارامترهای شعاع و تراکم خوشه‌بندی با استفاده از الگوریتم‌ کرم شب تاب

خوشه بندی یک تکنیک آنالیز داده متداول است. روش های خوشه بندی می توانند بطور گسترده در زمینه های متعددی مانند تشخیص الگو، یادگیری ماشین، پردازش تصویر، بازیابی اطلاعات و مواردی از این قبیل بکار گرفته شوند. الگوریتم dbscan برخلاف روش‌های تقسیمی نیازی به مشخص بودن تعداد خوشه ها با اطلاع قبلی ندارد. روش dbscan به دو پارامتر نیاز دارد: پارامتر شعاع خوشه‌بندی (ɛ) و پارامتر حداقل تعداد نقاط موردنیاز برای ایجاد یک ناحیه متراکم (minpts). یکی از چالش های این روش تعیین پارامترهای اولیه است و ممکن است در مینیمم‌های محلی متوقف شود. اگر مقدار پارامترهای اولیه به درستی تعیین نگردد ممکن است نتایج خوشه بندی در دام بهینه محلی قرار گیرد. به دلیل پیوسته بودن فضای مسئله تعیین پارامترهای بهینه، بی نهایت حالت مختلف برای این پارامترها وجود دارد که این امر یافتن پارامترهای بهینه را با مشکل مواجه نموده است. برای حل این چالش نیاز به روش‌های مبتنی بر انتخاب تصادفی است و سپس بر اساس یادگیری به سمت یافتن جواب بهینه حرکت می کند. جهت رفع چالش های مذکور، در این مقاله از الگوریتم بهینه‌سازی کرم شب تاب استفاده شده است. در روش پیشنهادی در هر تکرار الگوریتم در فضای جستجو، بهترین راه‌حل به‌دست‌ می آید. علاوه بر این سایر مقادیری که تاکنون در فرآیند ‌خوشه‌بندی تاثیرگذار نبوده‌اند با توجه به ماهیت تصادفی الگوریتم کرم شب‌تاب اجازه دارند به‌عنوان پارامتر ورودی جدید انتخاب شوند. نتایج شبیه سازی روش پیشنهادی بیانگر این است که عملکرد بهتری نسبت به سایر روش ها دارد.