مقایسه الگوریتم های فرا اکتشافی بهینه سازی توده ذرات، تکامل تفاضلی و ژنتیک در خوشه بندی داده ها

داده کاوی شامل تکنیک های مختلفی است که یکی از مهم ترین آن ها، خوشه بندی اطلاعات است. خوشه بندی یکی رویکرد پرکاربرد و محبوب در زمینه یادگیری ماشین، داده کاوی و بازشناخت الگو است. درواقع خوشه بندی داده ها را به دسته هایی که ازنظر پارامترهای مورد علاقه، شباهت بیشتری به یکدیگر دارند، تقسیم می کند. الگوریتم k-means یکی از الگوریتم های رایج در خوشه بندی است که علیرغم دارا بودن سرعت بالا در بهینه محلی به دام می افتد و هم چنین به شرایط اولیه نیز وابسته است، در نتیجه همیشه جواب بهینه مسئله را تولید نمی نماید. برای مقابله با این مشکلات از الگوریتمهای فرا اکتشافی استفاده می شود. در این پژوهش از سه الگوریتم تکاملی بهینه سازی توده ذرات (pso)، تکامل تفاضلی (de) و ژنتیک برای بهینه کردن خوشه بندی داده ها در شرایط یکسان بهره گرفته می شود تا کارایی آن ها در شرایط یکسان مورد ارزیابی قرار بگیرد. در پایان، نتایج الگوریتم های ذکر شده به همراه الگوریتم پایه k-means باهم مقایسه می شوند.