ارائه یک مدل دوهدفه برای خوشه بندی داده ها با تمرکز بر تعیین تعداد خوشه های مناسب
چکیده
در این تحیق مسأله خوشه بندی یک مجموعه داده، به صورت یک مسأله بهینه سازی دوهدفه که دو هدف را به صورت همزمان بهینه می کند، مطرح شده است. این تکنیک خوشه بندی دوهدفه از روش بهینه سازی چند هدفه سلسله مراتبی شبیه سازی تبرید به عنوان استراتژی بهینه سازی استفاده می کند. برای توابع هدف خوشه بندی، ما سعی در انتخاب معیارهای بهینه سازی داریم که به صورت اساسی جنبه های مختلف یک جواب خوب خوشه بندی را منعکس کند. برای این کار ما از دو تابع هدف مکمل یک دیگر استفاده می کنیم که یکی بر پایه تراکم خوشه ها و دیگری بر پایه اتصال خوشه ها می باشد و این دو تابع هدف برای تعیین تعداد مناسب خوشه ها در مجموعه داده به صورت همزمان بهینه می شوند. بنابراین تکنیک خوشه بندی مطرح شده قادر به شناسایی تعداد مناسب خوشه ها و افراز مناسب داده ها در انواع مجموعه داده های مختلف می باشد. یک روش نیمه نظارتی نیز برای انتخاب یک جواب از میان جواب های بهینه موثر پارتوی تکنیک خوشه بندی دوهدفه مطرح شده نیز ارائه می شود که با استفاده از امتیاز مینکوفسکی به انتخاب بهترین جواب و تعیین تعداد خوشه ها می پردازد. کارایی الگوریتم برای دو مجموعه داده مصنوعی و نیز شش مجموعه داده واقعی با پیچیدگی های مختلف نشان داده شده است. نتایج همچنین با تکنیک های خوشه بندی چندهدفه دیگر از قبیل mock، mops، دو تکنیک خوشه بندی یک هدفه بر پایه الگوریتم ژنتیک و تکنیک اتصال میانگین مقایسه شده اند.