استفاده از الگوريتم جستجوي تصادفي تقليد نيروي گرانشي بر پايه رفتار كياتيك براي خوشه بندي داده ها

خوشه بندي يكي از بخش هاي مهم در حيطه دانش داده كاوي است كه با توجه به كاربردهاي فراواني كه در حل مساايل دنياي واقعي دارد، همواره مورد توجه محققان و متخصصان داده كاوي بوده است. مهم ترين و پركاربردترين الگوريتمي كه در بحث خوشه بندي وجود دارد، الگوريتم K-means است كه جزو روش هاي افرازبندي بوده و بدليل سادگي و اجاراي سريع در دسته بندي مجموعه داده تست بزرگ شناخته شده است. K-means دو نقطه ضعف دارد: وابستگي به مقدار دهي هاي اوليه و اينكه بهينگي هاي محلي و راه حل هاي جهاني را نمي توان با حجم معقولي از محاسبات به دست آورد. براي غلبه بر مشكل بهينه سازي محلاي مطالعاات زياادي در زميناه ي خوشاه بنادي انجاام شاده اسات . در ايان مقالاه روش هيوريستيك جديدي به نام الگوريتم جستجوي تصادفي تقليد نيروي گرانشي بر پايه رفتار كياتيك براي حل مساله خوشاه بندي پيشنهاد شده است. اين الگوريتم بر پايه مفاهيم جستجوي تصادفي، دو تا از چهار پاارامتر الالي سارعت و نياروي گرانشي در فيزيك و همچنين با جايگزيني اعداد كياتيكي بجاي اعداد تصادفي استفاده مي نمايد. الگاوريتم پيشانهادي ر ا CEGELS ناميده و هدف آن بهبود در سرعت همگرايي مي باشد. براي تصادي ، الگاوريتم را پياده ساازي نماوده و باا الگوريتم هاي HBMO ، GA ، PSO ، ACO ، SA ، TS و K-means بر روي مجموعه داده هاي استاندارد از مخازن داده UCI مقايسه نموده ايم. نتايج تجربي نشان مي دهد الگوريتم پيشنهادي از كارايي بالايي نسبت به ديگر الگوريتم هاي هيوريستيك برخوردار است.