اسما مهرابیان - دانشجوی کارشناسی ارشد ، گروه مهندسی کامپیوتر ، دانشگاه آزاد اسلامی، واحد کرمان
مریم زنگیوندی - دانشجوی کارشناسی ارشد ، گروه مهندسی کامپیوتر ، دانشگاه آزاد اسلامی، واحد بردسیر
محمد علائی - استادیار ،گروه مهندسی کامپیوتر ، دانشکده فنی و مهندسی ، دانشگاه شهید باهنر کرمان
محمد صادق مهران فر - دانشجوی کارشناسی ارشد ، گروه مکاترونیک ، مجتمع آموزش عالی بم

خوشه بندی به عنوان یک ابزار مهم در شناسایی آماری الگو و داده کاوی به دسته بندی داده های مشابه می پردازد. در این مقاله، روش جدیدی جهت خوشه بندی بر اساس الگوریتم جستجوی فاخته (CS) با نام خوشه بندی جستجوی فاخته بهبود یافته (ECSC) ارائه میشود. جستجوی فاخته، روش بهینه سازی نسبتا جدید مبتنی بر جمعیت است که از تولید مثل انگلی پرنده فاخته الهام گرفته شده است. در CS هر فاخته که یک جواب مسئله خوشه بندی است، با نوعی گام تصادفی به نام پرواز لوی حرکت میکند و در مکان جدید یک تخم میگذارد. در این مقاله، با الهام از موثر بودن شرایط محیطی بر میزان تولید مثل، تعداد تخم هر فاخته با توجه به میزان برازندگی آن تعیین میشود. در واقع این عمل سبب میشود که اطراف جوابهای بهتر برای یافتن جواب سراسری جستجوی بیشتری نسبت به جوابهای ضعیف تر شود. نتایج عددی اعمال الگوریتم خوشه بندی بر روی شش مجموعه داده معیار نشان میدهد که این روش در مقایسه با الگوریتم های دیگر از جمله خوشه بندی CS پایداری بیشتر دارد و کاراتر است.

خوشه بندی، الگوریتم جستجوی فاخته، پرواز لوی، پردازش تصویر، تابع هدف