مقاله #1202

چکیده ـ خوشه بندی داده‌ها یک ابزار محبوب برای تجزیه و تحلیل آماری داده‌ها در بسیاری از حوزه‌ها مانند تشخیص الگو، داده کاوی، یادگیری ماشین، تجزیه و تحلیل تصویر، و بیوانفورماتیک است. هدف از خوشه بندی داده ها، نمایش مجموعه های داده­های بزرگ با تعداد کمتری نمونه اولیه یا خوشه است. این کار باعث ساده تر شدن مدل سازی داده‌ها می شود، و بنابراین، نقش مهمی در روند کشف دانش و داده کاوی بازی می کند. در این مقاله، یک الگوریتم خوشه بندی داده جدید بر پایه الگوریتم جستجوی گرانشی اصلاح شده ارائه شده است که الگوریتم جستجوی گرانشی دسته پرندگان (BFGSA) نامیده می شود. برای افزودن تنوع، BFGSA مکانیزم جدیدی را وارد GSA می کند که از واکنش دسته جمعی پرندگان الهام گرفته شده است. این مکانیزم در سه مرحله اصلی شامل مقداردهی اولیه، شناسایی نزدیک ترین همسایگان و تغییر جهت، تنوع را افزایش می دهد. مقداردهی اولیه جمعیت مورد نیاز در مرحله دوم را تولید می کند و مرحله تغییر جهت موقعیت اجسام را بر اساس نزدیکترین همسایگان به روزرسانی می­کند. با توجه به مکانیزم واکنش دسته جمعی، BFGSA محدوده وسیعی از فضای جستجو را کاوش می کند، و بدین ترتیب، از جواب های زیربهینه دوری می کند. عملکرد الگوریتم پیشنهادی با استفاده از 13 مجموعه داده معیار واقعی از منبع یادگیری ماشین معروف UCI ارزیابی شده است. عملکرد این الگوریتم با الگوریتم های GSA استاندارد، کلونی زنبورعسل مصنوعی (ABC)، بهینه سازی ازدحام ذرات (PSO)، کرم شب تاب (FA)، K-mean و چهار الگوریتم خوشه بندی دیگر موجود در ادبیات مقایسه شده است. نتایج شبیه سازی نشان می دهد که BFGSA می تواند به طور مؤثر برای خوشه بندی داده‌ها استفاده شود.