خوشه بندي مبتي بر الگوريتم هاي تكاملي آشوبگونه

clustering based on chaotic evolutionary algorithm

خوشه بندي يك تكنيك يادگيري بدون ناظر است كه به منظور گروه بندي داده هاي بدون برچسب به گروه هايي از داده ها مورد استفاده قرار مي گيرد. خوشه بندي داده ها بر اساس شباهت ها و تفاوت هاي ميان داده ها انجام مي شود. اين گروه بندي به گونه اي است كه نمونه هاي موجود در يك خوشه بيشترين شباهت را با يكديگر دارند و داده هايي كه در گروه هاي مختلف قرار مي گيرند كمترين شباهت را با هم دارند. در اين مقاله 3 تكنيك خوشه بندي با تركيب الگوريتم هاي تكاملي ژنتيك و آشوب ، بهينه سازي انبوه ذرات و آشوب ، رقابت استعماري و آشوب با هدف ارائه الگوريتمي كارا و با دقت بالا براي خوشه بندي داده ها پيشنهاد شده است. نتايج حاصل از اجراي الگوريتم بر روي 10 مجموعه داده معروف بيانگر دقت الگوريتم هاي پيشنهادي است.

Clustering is an unsupervised learning technique that used to group unlabeled data. Data clustering is based on the similarities and differences between the data. clustering is the task of grouping a set of objects in such a way that objects in the same group are more similar to each other than to those in other groups. In this paper, we purposed 3 clustering methods, where used combined of Genetic and chaos maps, particle swarm optimization and chaos maps, Imperiaist Copetetive Algoritm and chaos maps. the aim of providing an efficient and high-precision algorithm for data clustering. The simulation results indicate that proposed algorithm can efficiently.