روشي نوين براي خوشه‌بندي داده‌ها با استفاده از الگوريتم بهينه‌سازي چهارگرگ خاكستري

امروزه، خوشه‌بندي داده‌ها به دليل حجم و تنوع داده‎ها بسيار مورد توجه قرار گرفته است. مشكل اصلي روش‌هاي خوشه‌بندهاي معمول اين است كه در دام بهينه محلي گرفتار مي‌آيند. الگوريتم‌هاي فراابتكاري به دليل داشتن توانايي فرار از بهينه‌هاي محلي، نتايج موفقي را در خوشه‌بندي داده‌ها نشان داده‌اند. الگوريتم بهينه‌سازي گرگ خاكستري از جمله اين دسته الگوريتم‌ها است كه قابليت بهره‌برداري خوبي دارد و در برخي از مسايل راه حل مناسبي ارائه داده است، اما اكتشاف آن ضعيف است و در بعضي از مسايل به بهينه محلي همگرا مي‌شود. در اين تحقيق براي بهبود خوشه‌بندي داده‌ها، نسخه بهبوديافته‌اي از الگوريتم بهينه‌سازي گرگ خاكستري به نام الگوريتم بهينه‌سازي چهارگرگ خاكستري ارائه شده كه با استفاده از بهترين موقعيت دسته چهارم گرگ‌ها به نام گرگ‌هاي امگاي پيشرو در تغيير موقعيت هر گرگ، قابليت اكتشاف بهبود مي‌يابد. با محاسبه امتياز هر گرگ نسبت به بهترين راه حل، نحوه حركت آن مشخص مي‌شود. نتايج الگوريتم پيشنهادي چهارگرگ خاكستري با الگوريتم‌هاي بهينه‌سازي گرگ خاكستري، بهينه‌سازي ازدحام ذرات، كلوني زنبور عسل مصنوعي، ارگانيسم‌هاي هم‌زيست و بهينه‌سازي ازدحام سالپ در مسأله خوشه‌بندي روي چهارده مجموعه دادگان ارزيابي شده است. همچنين عملكرد الگوريتم پيشنهادي با چند نسخه بهبوديافته از الگوريتم گرگ خاكستري مقايسه شده است. نتايج به دست آمده عملكرد قابل توجه الگوريتم پيشنهادي را نسبت به ساير الگوريتم‌هاي فراابتكاري مورد مقايسه در مسأله خوشه‌بندي نشان مي‌دهد. بر اساس ميانگين معيار F روي تمام مجموعه دادگان، روش پيشنهادي 82/172% و الگوريتم بهينه ذرات 78/284% را نشان مي‌دهد و در مقايسه با نسخه‌هاي بهبوديافته الگوريتم گرگ، الگوريتم EGWO كه در رتبه بعدي است داراي ميانگين معيار F برابر 80/656% مي‌باشد.