روش هیبریدی بهینه سازی ازدحام ذرات کوانتومی و گرگ خاکستری جهت آنالیز خوشه بهینه به منظور بخش بندی پوست چهره

بخش بندی چهره نقش خیلی مهمی در کاربردهای آنالیز چهره مانند شناسایی هویت، آنالیز حالات چهره، انیمیشن چهره و آنالیز بیماری های پوست چهره ایفا می کند. در این مقاله، یک روش جدید هیبریدی مبتنی بر بهینه سازی ازدحام ذرات کوانتومی (QPSO) و گرگ خاکستری (GWO) جهت بهینه کردن عمل کرد خوشه بند K-Means رایه می شود. در این مطالعه، دو الگوریتم با هم ترکیب شده و در روش پیشنهادی عمل کرد استخراج در الگوریتم QPSO با قابلیت اکتشاف در الگوریتم GWO بهبود داده می شود. اندازه گیری تشابه نقش اساسی در فرآیند خوشه بندی ایفا می کند. جهت اندازه گیری تشابه، 4 معیار فاصله ی اقلیدسی، مینکوفسکی، ماهالانوبیس و بلوک شهری در بهینه سازی الگوریتم K-Means به-کار گرفته شده است. روش پیشنهادی در مقایسه با سایر الگوریتم های فرا ابتکاری شامل الگوریتم ژنتیک (GA)، PSO، QPSO، GWO، بهینه سازی خفاش، جستجوی کلاغ عمل کرد بهتری در بخش بندی و سرعت همگرایی دارد. همچنین، نتایج نشان می دهند که فاصله ی مینکوفسکی عمل کرد بهتری در محاسبه ی تشابه داشته و بهینه سازی الگوریتم K-Means با فاصله ی مینکوفسکی نتیجه ی بهتری در بخش بندی دارد. براساس نتایج به دست آمده، ترکیب این دو الگوریتم رسیدن به جواب بهینه را تضمین کرده و از مسیله ی کمینه مکانی نیز جلوگیری می کند.