بهبود كارايي الگوريتم خوشه بندي K-Means با استفاده از الگوريتم هاي بهينه سازي توده ذرات و شبكه ايمني مصنوعي

يكي از نتايج مطلوب در خوشه بندي داده ها، حداقل سازي فاصله نقاط از مراكز خوشه ها است. در فرايند خوشه بندي، به دليل انتخاب نقاط اوليه تصادفي، سرعت همگرايي بالا نسبت به بهينه محلي، يا عدم استفاده از الگوريتم هاي بهينه سازي، ممكن است مراكز خوشه ها به خوبي انتخاب نشوند و نتايج مطلوبي حاصل نشود. الگوريتم K-Means نيز كه يكي از الگوريتم هاي مشهور خوشه بندي مي باشد، ممكن است به دليل ماهيت انتخاب تصادفي مراكز اوليه و سرعت همگرايي بالا نتايج مطلوبي نداشته باشد. با انتخاب دقيق تر نقاط اوليه مي توان عملكرد اين الگوريتم را بهبود داد. با استفاده از قدرت جست و جوي سراسري الگوريتم هاي بهينه سازي، از آنها براي انتخاب نقاط اوليه بهينه تر استفاده مي كنيم. الگوريتم هاي بهينه سازي با جست و جو در بين نقاط و با هدف انتخاب نقاط به صورتي كه كم ترين مجموع فاصله داخل خوشه اي ايجاد شود، سبب بهينه سازي مي شوند. در اين مقاله، از الگوريتم بهينه سازي انبوه ذرات و شبكه ايمني مصنوعي براي اين منظور استفاده شده است. آزمايش هاي انجام شده بر روي مجموعه داده هاي متنوع و مقايسه اين دو الگوريتم بهينه سازي، نشان مي دهد الگوريتم شبكه ايمني مصنوعي، نتايج پايدارتري ارائه مي دهد.