مصطفی سبزه کار - استادیار گروه مهندسی کامپیوتر، دانشگاه صنعتی بیرجند؛
سپیده منتظر - دانشجوی کارشناسی، گروه مهندسی کامپیوتر، دانشگاه صنعتی بیرجند
صالح سلطان پور - دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد بیرجند

خوشه بندی یکی از مهم ترین کاربردهای داده کاوی به منظور توصیف دادههاست. خوشه بندی به معنای قراردادن داده ها در گروههای مجزا یا دارای همپوشانی به نحوی است که داده های هر خوشه بیشترین شباهت و داده های خوشه های مختلف، بیشترین اختلاف را نسبت به هم داشته باشند. یکی از الگوریتم های جدید برای این منظور، خوشه بندی مبتنی بر گراف k نزدیکترین همسایگی متقابل است. این روش توانسته با موفقیت بر مشکلات ناشی از الگوریتم های خوشه جمله وابستگی به تعداد خوشه ها و تعیین مراکز اوليه غلبه نماید. اما از طرفی، دارای مشکل حساسیت به تعیین اندازه پارامتر همسایگی k به منظور انتخاب نزدیک ترین همسایه ها می باشد. بهینه سازی مبتنی بر هوش جمعی و الگوریتم های فراابتکاری یکی از راه حل های تعیین اندازه مناسب برای پارامتر اندازه همسایگی k می باشد. در این مقاله برای رفع حساسیت به پارامتر اندازه همسایگی از الگوریتم جایا استفاده میشود. الگوریتم جایا دارای کم ترین پارامترهای تنظیمی بوده و از طرفی نه تنها دارای روالی برای رسیدن جمعیت به بهترین جواب ممکن است بلکه همزمان از بدترین جوابها نیز فاصله می گیرد. در نتیجه دارای سرعت همگرایی بیشتری به نسبت روشهای فراابتکاری مشابه است. آزمایش های انجام گرفته بر روی برخی از پایگاه داده های موجود در مخزن UCI حاکی از بهتر بودن دقت روش پیشنهادی در مقایسه با روش های مورد مقایسه می باشد.

خوشه بندی مبتنی بر گراف؛ الگوریتم های فراابتکاری؛ الگوریتم جایا۔