خوشه بندی داده یکی از رایج ترین تکنیک های داده کاوی است. الگوریتمK-MEANS یکی از مشهورترین الگوریتم های خوشه بندی داده می باشد که به دلیل پیاده سازی آسان و سرعت عملکرد، محبوبیت زیادی یافته است اما مشکلاتی از قبیلحساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی از قدرت عملکرد آن می کاهد. وش خوشه بندی K-harmonic means مسئله حساس بودن به مقدار اولیه را پوشش می دهد اما مشکل گرفتار شدن در دام بهینه محلی همچنان این الگوریتم را تهدید می کند. الگوریتم Particle Swarm Optimization یک تکنیک بهینه سازی سراسری احتمالی است که راه حل مناسبی برای غلبه بر مشکل ذکر شده می باشد. در این مقاله الگوریتم ترکیبی PSOKHM سعی می کند که با بهره گیری از مزایای هر دو الگوریتم، علاوه بر فرار از گرفتار شدن در دام بهینه محلی در الگوریتم KHM بر سرعت پایین همگرایی الگوریتم PSO نیز غلبه کند. روش پیشنهادی در این مقاله، ترکیب PSO با الگوریتم تکاملی ژنتیک در PSOKHM می باشد. GSOKHM که در جهت کارکرد مناسب تر الگوریتم PSO پیشنهاد شده است. برای انجام آزمایش از چهار مجموعه داده واقعی استفاده شده است که نتایج به دست آمده حاکی از عملکرد بهتر این روش در امر خوشه بندی نسبت به الگوریتم ترکیبی PSOKHM می باشد

کلمات کلیدی