بهبود الگوريتم خوشه بندي K-Means با استفاده از الگوريتم رقابت استعماري

خوشه‌بندي را مي‌توان به عنوان مهمترين مسئله در يادگيري بدون نظارت در نظر گرفت. در خوشه‌بندي سعي مي‌شود تا داده ها به خوشه‌هايي تقسيم شوند كه شباهت بين داده‌هاي درون هر خوشه حداكثر و شباهت بين داده‌هاي درون خوشه‌هاي متفاوت حداقل شود. در اين مقاله از فاصله اقليدسي به عنوان معيار اندازه گيري شباهت استفاده شده است. روش هاي مختلفي مانند تقسيم و غلبه، K-Means و ژنتيك براي خوشه بندي استفاده شده است. يكي از ضعف-هاي روش K-Means، دريافت تعداد خوشه ها به عنوان ورودي مي باشد. در اين مقاله، با استفاده از الگوريتم رقابت استعماري اين نقطه ضعف پوشش داده شده است و نتايج آزمايش هاي انجام گرفته، نشان مي دهد كه در مقايسه با الگوريتم K-Means. نتايج بهتري حاصل شده است.