خوشه بندی خود کارکرنل با استفاده از الگوریتم بهبود یافته کلونی زنبور عسل

خوشه بندی، یکی از شاخه های یادگیری بدون نظارت می باشد که طی آن، نمونه ها به دسته هایی با اعضای مشابه تقسیم می شوند. در این تحقیق روشی برای خوشه بندی خودکار، بدون نیاز به حدس اولیه برای تعداد خوشه ها و تحصیل خودکار تعداد بهینه ی خوشه ها ارائه شده است. الگوریتم کلونی زنبور مصنوعی، روش بهینه سازی مبتنی بر هوش جمعی می باشد. این الگوریتم محدودیت هایی در جستجوی فضای پاسخ و تولید جمعیت اولیه کارا دارد و از نکات مورد توجه آن ایجاد جمعیت اولیه مناسب و گسترش یافته در فضای مسئله است. طرح ارائه شده برای رسیدن به این مهم از روش آشوبناک مبتنی بر تناقض جهت تولید یک جمعیت اولیه با گستردگی قابل قبول در فضای مسئله استفاده می کند و با برقراری تعادل بین پارامترهای اکتشاف و استخراج که در یک جستجوی کارآمد نقش به سزایی ایفا می کنند، سعی در بهبود عملکرد الگوریتم خوشه بندی خواهد داشت. این تعادل با استفاده از اعمال یک روش جستجوی محلی برای افزایش قدرت استخراج الگوریتم استاندارد کلونی زنبور مصنوعی برقرار شده است. نتایج آزمایش ها نشان می دهد که روش پیشنهادی در رسیدن به جواب بهینه سراسری از کیفیت قابل قبولی برخوردار است چنان چه به عنوان مثال در دیتاست چالشی vowel نتایج بدست آمده نسبت به روش های مورد مقایسه تا 14.43 درصد بهبود داشته است.