خوشه بندی خودکار داده ها با بهره گیری از الگوریتم رقابت استعماری بهبودیافته

الگوریتم رقابت استعماری (ICA)، یکی از کاراترین الگوریتم های فرا ابتکاری برای پیدا کردن جواب بهینه سراسری در مسائل بهینه سازی می باشد. در این مقاله از الگوریتم رقابت استعماری برای خوشه بندی خودکار مجموعه داده های بزرگ و واقعی بدون برچسب استفاده شده است. با بهره گیری از ساختار مناسب برای هر یک از کروموزم ها و استفاده از الگوریتم رقابت استعماری، در زمان اجرا تعداد بهینه خوشه ها هم زمان با خوشه بندی بهینه داده ها به دست می آید. همچنین برای افزایش دقت و افزایش سرعت همگرایی، ساختار الگوریتم رقابت استعماری با تغییراتی همراه است. روش پیشنهادی (ACICA) نیاز به هیچ گونه دانش قبلی برای خوشه بندی داده ها ندارد. علاوه بر آن روش پیشنهادی در مقایسه با سایر روش های خوشه بندی مبتنی بر الگوریتم های تکاملی، دقت بیشتری را دارد. از معیارهای ارزیابی خوشه بندی DB و CS به عنوان تابع هدف استفاده شده است. برای نشان دادن برتری روش پیشنهادی، میانگین مقدار بهینه تابع هدف و تعداد خوشه های تعیین شده توسط روش پیشنهادی با سه الگوریتم خوشه بندی خودکار مبتنی بر الگوریتم های تکاملی مقایسه می شود.