ارائه‌ي مدلي جهت بهبود الگوريتم خوشه‌بندي k-means بر پايه‌ي الگوريتم بهينه سازي مبتني بر جغرافياي زيستي

خوشه‌بندي داده‌ها به كلاس‌ها يا دسته‌هاي متناسب يكي از مباحث مهم در داده‌كاوي و تشخيص الگو است. خوشه‌بندي، يعني قراردادن داده‌ها در دسته‌هاي مناسب، با توجه به حفظ اصل حداكثر تشابه در يك دسته، و حداقل تشابه بين دسته‌ها مي‌باشد. در اين مقاله ابتدا يكي از روش‌هاي پايه در خوشه‌بندي به نام k-means شرح داده مي‌شود. اين الگوريتم در برابر اغتشاشات و نقاط پرت حساس است. و يكي از مهمترين معايب آن اين است كه، ممكن است به يك مينيمم محلي همگرا شود. راه‌حل‌هاي زيادي براي حل اين مشكل پيشنهاد شده است. يكي از راه‌حل‌ها استفاده از الگوريتم‌هاي بهينه‌سازي مي‌باشد. در اين مقاله با استفاده از الگوريتم فرا ابتكاري بهينه‌‌سازي ‌مبتني بر جغرافياي زيستي(BBO)، الگوريتم خوشه‌بندي كه آن را BBO-clustering نامگذاري كرديم پيشنهاد شده است. در واقع سعي شده، با استفاده از عملگرهاي BBO و قابليت جست و جوي موازي آن، دقت الگوريتم سنتي k-means را بهبود بخشيم. در پايان روش‌هاي مزبور بر روي مجموعه داده هايي در محيط نرم‌افزار متلب تست شده اند. نتايج نشان دهنده‌ي كارايي بهتر الگوريتم پيشنهادي نسبت به الگوريتم سنتي k-means دارد.