Abstract
In this study a novel hybrid clustering algorithm is proposed that is based on Artificial Bee Colony (ABC) and Fuzzy C-means (FCM). When FCM is applied on high dimensional dataset, it usually results in local optimal partitioning. In this paper we address this problem and used a recently developed evolutionary technique named Artificial Bee Colony in combination to FCM. Hence, the name is Fuzzy C-means Bee (FCB) algorithm. The method can detect globally optimal cluster centeroids better than FCM as a most wildly used and popular clustering technique. To demonstrate performance of the proposed algorithm of FCM we used it for some standard dataset UCI datasets. The results show that FCB converge to global faster than FCM and ABC
چکیده
در این مطالعه یک الگوریتم خوشه بندی ترکیبی جدید پیشنهاد شده است که بر اساس کلنی زنبور عسل مصنوعی (ABC) و میانگین های C فازی (FCM) است. هنگامی کهFCM بر مجموعه داده دارای ابعاد بالا اعمال میشود، معمولا منتج به پارتیشن بندی بهینه محلی می شود. در این مقاله ما این مشکل را بررسی میکنیم و از یک تکنیک به تازگی توسعه یافته تکاملی به نام کلنی زنبور عسل مصنوعی در ترکیب با FCM استفاده میکنیم. از این رو، نام آن الگوریتم زنبور عسل میانگین های C فازی (FCB) است. این روش میتواند مرکزوارهای بهینه مطلق خوشه را بهتر از FCM به عنوان پرکاربردترین و محبوبترین تکنیک خوشه بندی تشخیص دهد. برای نشان دادن عملکرد الگوریتم پیشنهادی FCM آن را برای برخی از مجموعه داده استاندارد مجموعه داده های UCI استفاده کردیم. نتایج نشان میدهد که FCB به بهینه کلی سریعتر از FCM و ABC همگرا میشود.