مریم لشکری - دانشجوی کارشناسی ارشد نرم افزار کامپیوتر دانشگاه آزاد فردوس
سید محمد حسین معطر - استاد یار دانشگاه آزاد اسلامی واحد مشهد گروه نرم افزار مشهد ایران

خوشه بندی یکی ازتکنیک های معروف درداده کاوی است که بدون هیچ دانش قبلی داده هارا به گروه ها یمعناداری تقسیم می ند به همین دلیل امروزه خوشه بندی درکاربردهای مختلفی استفاده میشود یکی ازالگوریتم های معروف خوشه بندی الگوریتم k-means می باشد این الگوریتم علیرغم مزایای بسیارازجمله سرعت بالا و سهولت پیاده سازی به دلیل وابسته بودن به پارامترهای اولیه الگوریتم دردام بهینه محلی قرارگرفته و همواره جواب بهینه مساله را تولید نمی کند یکی ازپارامترهای اولیه الگوریتم که اگر به درستی تعیین نشود سبب قرارگرفتن نتایج الگوریتم k-means دردام بهینه محلی میشود تعیین تعدادخوشه بهینه می باشد به همین دلیل ما دراین مقاله سعی نموده ایم با انتخاب تعدادخوشه مناسب بااستفاده ازراه کاری مبتنی برالگوریتم تکاملی pso تا درصد بالایی نتایج خوشه بندی k-means را ازدام بهینه محلی خارج نماییم سپس به منظور اعتبار سنجی راهکارپیشنهادی برروی چندین مجموعه داده استاندارد ازسایت UCI و چندمجموعه داده مصنوعی مورد ارزیابی قرار میگیرد نتایج با راهکارهای سرانگشتی متدزانو شاخصهای اعتبارسنجی داخلی شاخصهای اعتبارسنجی مبتنی برتئوری اطلاعات مقایسه میگردد بررسی نتایج نشان میدهد راهکارجدید ما قادر است تعدادخوشه بهینه را با دقت بیشتری درمقایسه با راهکارهای دیگر تولید نماید

خوشه بندی ، داده کاوی ، الگوریتم k-means ، الگوریتم تکاملی PSO ، شاخصهای اعتبارسنجی