ارائه روشي جديد جهت خوشه بندي داده ها با استفاده از الگوريتم بهينه-سازي گرگ خاكستري

خوشه بندي يكي از مهمترين مسائل مربوط در داده كاوي داده ها مي‌باشد. جهت خوشه بندي داده‌ها, الگوريتم هاي زيادي مانند K-maens تاكنون ارائه شده است. يكي از مهمترين مشكلات اين الگوريتم ها حساس بودن به مراكز خوشه اوليه مي باشد كه ممكن است باعث شود الگوريتم يك پاسخ بهينه محلي توليد كند. الگوريتم بهينه سازي گرگ خاكستري GWO (Gray Wolf Optimization) يك الگوريتم بهينه سازي با عملكردي بسيار مطلوب در مقايسه با ساير الگوريتم‌هاي بهينه سازي جهت حل مسائل گوناگون مي‌باشد. در اين پژوهش يك راهكار جديد جهت خوشه بندي داده ها با استفاده از الگوريتم GWO ارائه شده است. براي ارزيابي الگوريتم خوشه بندي ارائه شده از سه مجموعه واقعي و استاندارد Iris,Wine و Glass استفاده و با روش هاي خوشه بندي K-means, الگوريتم ژنتيك GA و الگوريتم بهينه سازي گروهي ذرات PSO مقايسه شده است. نتايج مقايسه ها نشان مي دهد كه كارايي الگوريتم پيشنهاد شده نسبت به ساير روش ها بهتر مي باشد و ميتواند بصورت موفقيت آميز براي خوشه بندي داده ها مورد استفاده قرار گيرد.