روشی پویا در خوشه بندی داده های بزرگ با ترکیب الگوریتم k-میانگین و بهینه سازی کلونی مورچه

خوشه بندی به معنای تقسیم بندی بدون نظارت است که با استفاده از آن داده ها به دسته هایی که از نظر پارامترهای مورد علاقه شباهت بیشتری به یکدیگر دارند تقسیم میگردند. یکی از روش های معروف در این زمینه، الگوریتم k-means می باشد که دارای معایبی چون وابستگی به شرایط اولیه و گیرافتادن در بهینه محلی، میباشد. در این مقاله از تر کیب الگوریتم کلونی مورچه با روش خوشه بندی برای دستیابی به دقت خوشه بندی بهتر استفاده میگردد که نوآوری آن استفاده از یک تابع جدید برای تبخیر فرمون در مسیر حرکت مورچهها و اعمال تغییر مناسب در الگوریتم پایه میباشد. نتایج پیاده سازی بیانگر کیفیت مناسب روش پیشنهادی در مقایسه با سایر روشها میباشد

کلیدواژه ها:

دادهکاوی ، خوشه بندی ، الگوریتم K-Means الگوریتم بهینه سازی کلونی مورچه