خوشه‌بندي تركيبي با بيشينه‌سازي پراكندگي با به كارگيري الگوريتم‌هاي بهينه‌سازي تكاملي

خوشه‌بندي داده‌ها يكي از مراحل اصلي در داده‌كاوي است كه وظيفه كاوش الگوهاي پنهان در داده‌هاي بدون برچسب را بر عهده دارد. به خاطر پيچيدگي مسئله و ضعف روش‌هاي خوشه‌بندي پايه، امروزه اكثر مطالعات به سمت روش‌هاي خوشه‌بندي تركيبي هدايت شده است. پراكندگي در نتايج اوليه يكي از مهم‌ترين عواملي است كه مي‌تواند در كيفيت نتايج نهايي اثرگذار باشد. همچنين، كيفيت نتايج اوليه نيز عامل ديگري است كه در كيفيت نتايج حاصل از تركيب موثر است. هر دو عامل در تحقيقات اخير خوشه‌بندي تركيبي مورد توجه قرار گرفته‌اند. در اين جا يك چارچوب جديد براي بهبود كارايي خوشه‌بندي تركيبي پيشنهاد شده است كه مبتني بر استفاده از زيرمجموعه‌اي از خوشه‌هاي اوليه مي‌باشند روش ارائه شده نشان مي دهد كه  استفاده از زيرمجموعه‌اي از نتايج خوشه‌بندي‌هاي اوليه مي‌تواند بهتر از استفاده از كل نتايج باشد همچنين معياري را پشنهاد مي دهد  كه چگونه  نتايج اوليه نسبت به هم ارزيابي شوند. اين تحقيق معياري ارايه مي دهد كه به وسيله آن ميتوان تشخيص داد كدام زيرمجموعه از نتايج اوليه مي‌تواند منجر به بهبود عملكرد خوشه‌بندي تركيبي شود.  از آن جايي كه الگوريتم هاي هوشمند تكاملي توانسته اند اكثريت مسائل پيچيده مهندسي را حل نمايند، در اين مقاله نيز از اين روش هاي هوشمند براي انتخاب زيرمجموعه اي از خوشه هاي اوليه استفاده شده است.  اين انتخاب به كمك سه روش هوشمند (الگوريتم ژنتيك، شبيه سازي تبريد و الگوريتم ازدحام ذرات) انجام مي گيرد. ايده‌هاي اصلي در روش‌هاي پيشنهادي براي انتخاب زيرمجموعه‌اي از خوشه‌ها، استفاده از خوشه‌هاي پايدار به كمك الگوريتم هاي جستجوي هوشمند (الگوريتم هاي تكاملي) مي‌باشند. براي ارزيابي خوشه‌ها، از معيار پايداري مبتني بر اطلاعات متقابل استفاده شده است. در آخر نيز خوشه هاي انتخاب شده را به كمك چندين روش تركيب نهايي با هم جمع مي كنيم. نتايج تجربي روي چندين مجموعه داده استاندارد و با معيارهاي ارزيابي اطلاعات متقابل نرمال شده، فيشر و دقت در مقايسه با روش هاي عليزاده، عظيمي، Berikov ، CLWGC، RCESCC، KME، CFSFDP،DBSCAB، NSC و Chenنشان مي‌دهد كه روش هاي‌ پيشنهادي مي‌تواند به طور موثري روش تركيب كامل  را بهبود دهد.