بهبود کارآیی خوشه بندی داده ها با الگوریتم های تکاملی آشوب گونه

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 به منظور 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 شبیه سازی شده، تکاملی تفاضلی، جستجوی هارمونی و k-means مقایسه خواهند گردید. توانایی بالا و مقاوم بودن این روش ها بر اساس نتایج مشهود خواهد بود.

improving the efficiency of data clustering with chaotic evolutionary algorithms

nowadays, clustering plays an important role in most research fields such as engineering, medicine, biology, data mining, etc. in fact, clustering means unsupervised division. by using it, the data are divided into categories that are more similar to each other in terms of the parameters of interest. one of the famous methods in this field is k-means. in this method, despite the dependence on initial conditions and convergence to local optimal points, n numbers of data are grouped into k clusters with high speed. in this article, to solve the existing problems, the combined method is used based on evolutionary algorithms, chaos theory and k-means; that is in addition to solving the mentioned problems, it will also be independent of the number of variables. in this article, for the purpose of validation, the proposed methods are implemented on 13 different famous collections, and the results are compared with genetic algorithm, particle community, bee colony, simulated refrigeration, differential evolution, harmony search, and k-means methods. the high ability and robustness of these methods will be evident based on the results.