ارائه الگوريتم خفاش بهبوديافته جهت خوشه بندي داده ها

خوشه بندي يكي از روش هاي رايج براي تحليل داده ها در داده كاوي است. الگوريتم K-maens يكي از ساده ترين و مشهورترين الگوريتم هاي يادگيري بدون نظارت براي حل مسئله خوشه بندي است. اما مشكلاتي مانند وابستگي به مراكز اوليه خوشه ها و افتادن در بهينه محلي، عملكرد آن را كاهش مي دهد. هدف از الگوريتم K-maens انتخاب مراكز خوشه ها به گونه اي است كه فاصله ي نقاط هر خوشه از مركز آن به حداقل برسد. در سال هاي اخير، از الگوريتم هاي فراابتكاري براي بهبود عملكرد الگوريتم هاي خوشه بندي استفاده شده است. در اين مقاله، از يك روش مبتني بر الگوريتم خفاش كه براي افزايش قابليت جستجو، با الگوريتم تكامل تفاضلي تركيب شده است، استفاده شده است. تا عملكرد الگوريتم K-means بهبود داده شود. عملكرد الگوريتم پيشنهادي با مجموعه داده هاي مختلف از UCI ارزيابي شده است و نتايج آن با الگوريتم K-maens، الگوريتم خفاش، الگوريتم تكامل تفاضلي و ساير الگوريتم هاي فراابتكاري مطرح شده، مقايسه شده است و بر طبق نتايج بدست آمده از آزمايش ها، بهبود عملكرد الگوريتم پيشنهادي در انتخاب بهينه مراكز خوشه ها و نيفتادن در بهينه محلي نسبت به الگوريتم هاي خوشه بندي ديگر نشان داده شده است.