خوشه بندی به معنای یافتن داده های دارای ویژگی های نظیرهم، در خوشه های مجزا بوده و کاربرد فراوان در علوم و صنایع مختلف دارد. استفاده از ایده ی فازی سازی یکی از روشهای مورد توجه برای خوشه بندی داده ها است که این امکان را فراهم می کند در مورد تعلق و یا عدم تعلق یک داده به یک بخش، به صورت منعطف تر برخورد شده و به این ترتیب، راه را برای نزدیک تر شدن نتایج حاصل از خوشه بندی به مسائل دنیای واقعی هموارتر می کند. در این مقاله سعی شده است تا با استفاده از ترکیب مزایای الگوریتم PSO و هم چنین، استفاده از جمعیت پویا با الگوریتم خوشه بندی فازی، سرعت روش و هم چنین، کیفیت خوشه های نهایی بهبود یابند. برای مقایسه روش پیشنهادی با روش های خوشه بندی k-means ، خوشه بندی با استفاده از الگوریتم ژنتیک و همچنین، الگوریتم خوشه بندی IGKM مقایسه و نتایج حاصل از اجرای هر یک از این روش ها بر روی مجموعه ی داده ی تست مورد استفاده بررسی شد

کلمات کلیدی