در این مقاله روشی برای دسته‌بندی مجموعه داده‌های متشکل از ویژگی‌های مرکب (هم ویژگی‌های عددی و هم ویژگی‌های رسته‌ای) ارائه شده است. اکثر مجموعه داده‌های واقعی متشکل از ویژگی‌های مرکب هستند و بیشتر الگوریتم‌های خوشه‌بندی مرسوم، برای مجموعه داده‌هایی شامل یک نوع ویژگی (یا عددی یا رسته‌ای) طراحی و به‌کار برده شده‌اند. همچنین اخیرا روش‌های جدیدی برای خوشه‌بندی داده‌هایی با ویژگی‌های مرکب ارائه شده است که از مکانیزم تبدیل ویژگی‌ها به نحوی که مستقیما توسط الگوریتم قابل استفاده باشد، استفاده می‌کنند اما این روش‌ها نیز با چالش‌های مهمی از جمله فقدان اطلاعات، تولید نتایج تحریف شده و ایجاد خوشه‌بندی با صحت پایین‌تر روبرو هستند. لذا در این مقاله برای حل این مشکل ضمن معرفی مساله خوشه‌بندی به عنوان یک مساله بهینه‌سازی چند هدفه، یک چارچوب برای مجموعه داده با ویژگی‌های مرکب بدون نیاز به تبدیل داده‌ها ارائه شده است و از الگوریتم تکاملی چندهدفه NSGA ii برای حل مساله استفاده شده است. الگوریتم تکاملی چندهدفه ارائه شده با بهینه‌سازی دو معیار آنتروپی و مجذور مربعات خطا(SSE) جواب‌های خوشه‌بندی با خلوص و همبستگی بیشتر را ارائه می‌نماید. همچنین در این مقاله شیوه¬ای بهبودیافته برای ایجاد عملگرهای جهش و تقاطع، به منظور گسترش فضای جست‌وجو و جلوگیری از تغییر جمعیت اولیه و تاثیر روی همگرایی جواب و حذف خوشه‌ها در حین به‌کارگیری عملگرها ارائه شده است. معرفی ضریب وزنی برای یکسان سازی تاثیر داده¬های عددی و نامی بر معیار مجذور مربعات خطا نیز پیشنهاد شده است.

کلمات کلیدی