جواد حمیدزاده - استادیار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی سجاد، مشهد، ایران
ساره ایزدپناه - دانشجوی کارشناسی ارشد مهندسی کامپیوتر (نرم افزار)، گروه کامپیوتر، دانشگاه آزاد اسلامی واحد فردوس، ایران
هما حسین زاده - دانشجوی کارشناسی ارشد مهندسی کامپیوتر (نرم افزار)، گروه کامپیوتر، دانشگاه آزاد اسلامی واحد فردوس، ایران

خوشه بندی داده ها یک ابزار تجزیه وتحلیل برای آمار داده ها است که در زمینه های مختلف ازجمله تشخیص الگو، داده کاوی، یادگیری ماشین، تجزیه وتحلیل تصویر و بیوانفورماتیک کاربرد دارد، و در آن اطلاعات تجزیه وتحلیل می تواند در هراندازه و شکلی باشد. خوشه بندی داده ها روشی برای دسته بندی داده های مشابه است که این روش سال ها در علوم مختلف به کاررفته و الگوریتم های زیادی برای آن طراحی شده است. تحقیقات اخیر خوشه بندی به سمت روش های ترکیبی، دارای قابلیت استحکام، پایداری و دقت هستند. یک تکنیک بهبود یافته استفاده از الگوریتم های تکاملی جدید برای خوشه بندی می باشد. الگوریتم K-means می تواند با انتخاب نامناسب در مرحله مقداردهی اولیه به خطر افتد. این مقاله معایب روش های قبلی خوشه بندی را بیان نموده و در ادامه راهکاری برای برطرف کردن این معایب ارائه می نماید. با استفاده از الگوریتم رقابت استعماری روشی برای خوشه بندی داده ها ارائه داده و نتایج را با راهکارهای قبلی مقایسه کرده که دلیلی بر کارایی الگوریتم نسبت به الگوریتم های قبلی می باشد.

خوشه بندی،K-means، رقابت استعماری