OPTIMIZATION OF FUZZY CLUSTERING CRITERIA BY A HYBRID PSO AND FUZZY C-MEANS CLUSTERING ALGORITHM

اين مقاله يك روش تركيبي كارا مد بر پايه الگوريتمهاي PSO و خوشه بندي فازي FCM به منظور حل مساله خوشه بندي خصوصاً براي مسايل با مقياس بزرگ ارايه مي دهد. وقتي بعد مساله بزرگ مي شود، حل مساله خوشه بندي توسط الگوريتم FCM منجر به توزيع نا همگون داده ها مي گردد و بدست آوردن جواب در زمان معقول دچار مشكل مي شود. براي بدست آوردن جواب بهتر در زمان معقول تر از روش فرا ابتكاري PSO بهره گرفته شده است. در اين مقاله به منظور بهبود عملكرد روش PSO، بجاي توليد تصادفي جمعيت اوليه، از جواب نهايي الگوريتم FCM استفاده شده است. در نهايت با ارايه مثال هاي متعدد، توانايي و كارايي الگوريتم پيشنهادي در مقايسه با روش FCM بررسي شده است.

This paper presents an efficient hybrid method, namely fuzzy particle swarm optimization (FPSO) and fuzzy c-means (FCM) algorithms, to solve the fuzzy clustering problem, especially for large sizes. When the problem becomes large, the FCM algorithm may result in uneven distribution of data, making it difficult to find an optimal solution in reasonable amount of time. The PSO algorithm does find a good or near-optimal solution in reasonable time, but we show that its performance may be improved by seeding the initial swarm with the result of the c-means algorithm. Various clustering simulations are experimentally compared with the FCM algorithm in order to illustrate the efficiency and ability of the proposed algorithms.