الگوريتم گرده افشاني گل ها با ژنتيك براي تحليل خوشه ها

Flower pollination algorithm with genetics for analyzing clusters

خوشه بندي يكي از تكنيك هاي داده كاوي و تحليل داده ها است. K-mean يكي از الگوريتم هاي مورد استفاده براي خوشه بندي مي باشد. با اين حال جواب اين الگوريم به راه حل اوليه بستگي دارد و به راحتي جواب هاي بهينه محلي را بر مي گرداند. براي غلبه بر مشكلات اين الگوريتم در اين مقاله تركيب الگوريتم گرده افشاني گل ها با الگوريتم ژنتيك ارايه شده است. عملگر تقاطع و دوره انداختن گرده ها براي افزايش تنوع جمعيت و براي بهبود قابليت هاي جستجوي محلي عملگر نخبه گزيني مورد استفاده قرار گرفته است. پنج مجموعه داده براي ارزيابي كارايي الگوريتم پيشنهادي انتخاب شده است. نتايج ارزيابي در مقايسه با الگوريتم هاي FPA،GA،FA،DE و K-mean نشان مي دهد كه روش پيشنهادي نه تنها دقت بيشتر بلكه پايداري بهتري نيز دارد. همچنين همگرايي سريعتر نيز از نتايج به دست آمده براي الگوريتم تركيبي پيشنهادي مي باشد.

Clustering is one of the techniques of data mining and data analysis. K-mean is one of the algorithms used for clustering. However, the answer to this algorithm depends on the initial solution and easily returns the optimal local answers. To overcome the problems of this algorithm, in this paper combining the algorithm of pollination of flowers with a genetic algorithm is presented. The operator of Crossover and Discard pollen is used to increase population diversity and to improve the local search function of the elite operator. Five datasets have been selected to evaluate the performance of the proposed algorithm. The results of the evaluation compared with the FPA, GA, FA, DE and K-mean algorithms show that the proposed method has not only greater accuracy but also better stability. Also, convergence is faster than the results obtained for the proposed hybrid algorithm.