fa خوشه‌بندی خودکار فازی داده‌ها با استفاده از الگوریتم بهینه‌سازی چندهدفه گرگ خاکستری تخصصي Special پژوهشي Research در این مقاله مسأله خوشه‌بندی خودکار فازی، در قالب یک مسأله بهینه‌سازی چندهدفه ارائه شده است. دو تابع هدف یکی بر پایه اتصال خوشه‌ها و دیگری بر اساس هم‌پوشانی-جدایی خوشه‌ها در نظر گرفته شده که جهت تعیین تعداد بهینه خوشه‌ها و افزایش کیفیت خوشه‌بندی، این دو تابع بطور همزمان بهینه می‌شوند. با توجه به اینکه مساله مورد نظر از نوع مسائل بهینه‌سازی غیر خطی، چندهدفه و نامحدب می‌باشد، برای حل آن نیز یک روش بهینه‌سازی چندهدفه مبتنی بر الگوریتم گرگ خاکستری پیشنهاد شده است. به منظور تسریع در فرآیند بهینه‌سازی و جلوگیری از گیر افتادن الگوریتم در بهینه‌های محلی، راهکارهای ابتکاری جدیدی به الگوریتم اضافه شده‌اند. نتیجه اعمال این الگوریتم بر مساله خوشه‌بندی، منجر به مجموعه‌ای از جوابهای بهینه پارتو خواهد شد که نشان‌دهنده ناحیه مصالحه بین توابع هدف است. برای انتخاب جواب نهایی از بین چندین راه‌حل بهینه موجود، از معیار ارزیابی <span dir="LTR">DB</span> استفاده شده است. برای بررسی عملکرد الگوریتم پیشنهادی، شبیه‌سازی‌های متعددی بر روی مجموعه داده مصنوعی و واقعی انجام و نتایج با چند مقاله دیگر مقایسه گردیده است. نتایج آزمایشها نشان می‌دهند مدل پیشنهادی&nbsp; قادر به شناسایی تعداد بهینه خوشه‌ها و افراز مناسب داده‌ها در انواع مجموعه داده‌های هم‌پوشان و غیر هم‌پوشان است.<br> &nbsp;<br> &nbsp; In this paper, the automatic fuzzy clustering is presented in multiobjective optimization framework. Two objectives based on compactness and overlap-separation measures are used as the objective functions witch are optimized simultaneously. The proposed optimization problem is a nonlinear and non-convex multi-objective optimization and accordingly, a grey wolf based optimization algorithm is proposed for solving it. For accelerating the optimization process and preventing local optimum trapping, new heuristic approaches are included to the original algorithm. Solving the multi-objective optimization problem using the proposed algorithm, results in several Pareto optimal solutions showing compromise between objective functions. The final solution, among the generated plans, is selected using DB cluster validity index. The proposed method is applied on synthetic and real-life data sets. As shown in the experiments, the approach provides promising solutions in well-separated, hyperspherical and overlapping clusters. This is demonstrated by the comparison with existing single-objective and multiobjective clustering techniques.<br> &nbsp; خوشه‌بندی خودکار فازی, الگوریتم گرگ خاکستری, بهینه‌سازی چندهدفه, شاخص ارزیابی خوشه. Automatic fuzzy clustering, Grey wolf optimizer, multiobjective optimization, cluster validity index. 1 25 http://ic4i-journal.ir/browse.php?a_code=A-10-107-1&slc_lang=fa&sid=1 Ali Asghar Imamdoost علی اصغر امام دوست 1003194753284600765 1003194753284600765 No دانشگاه هرمزگان Abdollah Khalili فرزان رشیدی 1003194753284600766 1003194753284600766 Yes دانشگاه هرمزگان عبدالله خلیلی 1003194753284600767 1003194753284600767 No دانشگاه هرمزگان