بهبود کارآیی خوشه بندی داده ها با الگوریتم های تکاملی آشوب گونه

امروزه، خوشه بندی نقش مهمی را در اغلب زمینه های تحقیقاتی مانند مهندسی، پزشکی، زیست شناسی، داده کاوی و ... ایفا می نماید. در واقع خوشه بندی به معنای تقسیم بندی بدون نظارت می باشد. داده ها با استفاده از آن به دسته هایی که از نظر پارامترهای موردعلاقه، شباهت بیشتری به یکدیگر دارند، تقسیم می گردند. یکی از روش های معروف در این زمینه k-means می باشد. در این روش علی-رغم وابستگی به شرایط اولیه و همگرایی به نقاط بهینه محلی، تعداد N داده به k خوشه با سرعت بالا، دسته بندی می شوند. در این مقاله جهت رفع مشکلات موجود از روش ترکیبی مبتنی بر الگوریتم های تکاملی و تئوری آشوب و k-means بهره گرفته خواهد شد؛ که علاوه بر رفع مشکلات ذکرشده، مستقل از تعداد متغیرها نیز خواهد بود. در این مقاله به منظور اعتبارسنجی، روش های پیشنهادی بر روی ۱۳ مجموعه متفاوت مشهور پیاده سازی می گردد و نتایج با روش های الگوریتم ژنتیک، اجتماع ذرات، کلونی زنبور عسل، تبرید شبیه سازی شده، تکاملی تفاضلی، جستجوی هارمونی و k-means مقایسه خواهند گردید. توانایی بالا و مقاوم بودن این روش ها بر اساس نتایج مشهود خواهد بود.