فصل پنجم: نتیجه ­گیری و پیشنهاد
۵-۱- نتیجه
امروزه کاربرد داده ­کاوی دراکثر علوم به­طورچشم­گیر مشاهده می­گردد. واضح است در صورتی­که بستر مناسبی جهت استفاده از این علم مهیا نگردد، از تکنولوژی روز و بهره­ گیری از پیشرفت­های به­دست آمده دور خواهیم ماند.
خوشه­بندی یکی از ابزار داده ­کاوی محسوب می­گردد. از این رو، سهم به­سزایی از تحقیقات اخیر معطوف به این روش می­باشد. الگوریتم FCM یک روش یادگیری بدون نظارت است که در آن تعداد خوشه ­ها از قبل تعیین نگردیده و علاوه بر آن یک داده می ­تواند به صورت همزمان به چندین خوشه تعلق داشته باشد. متأسفانه این الگوریتم علی­رغم پیاده­سازی آسان، با مشکلاتی چون وابستگی به شرایط اولیه، همگرایی زودرس و گیر­کردن در بهینه محلی روبه­رو است.
در صورتی­که مقدار اولیه مناسب برای الگوریتمFCM انتخاب گردد، امکان همگرایی به نقاط بهینه وجود دارد. لذا، با بهره­ گیری از الگوریـتم خفاش به­عنوان روش بهینه­سازی نوین، این محدودیت مرتفع گردید. قابل توجه است که نسخه­ اصل الگوریتم خفاش به تنهایی در رفع این مشکل کارساز نبود. به همین دلیل، از روش تولید عدد متضاد جهت انتخاب جمعیت اولیه و روش استراتژی خود تطبیق، برای بهبود عملکرد این الگوریتم استفاده شد. این استراتژی از دو قانون جهش استفاده می­ کند. قانون اول از همگرایی زودرس و قانون دوم از سکون و گیر کردن در بهینه­ محلی جلوگیری می­ کند.

به­این ترتیب، نتایج به­دست آمده از ترکیب این دو الگوریتم، علاوه بر نوآوری، محدودیت­ها را نیز پوشش داد و با توجه به مقایسه­ نتایج، مقاوم بودن و کارایی این روش تضمین گردید.
با توجه به شبیه­سازی­های انجام گرفته در اغلب موارد، روش ترکیبی جدید بهترین جواب را با حداکثر دقت نتیجه می­دهد. در این روش­ ترکیبی، علاوه بر این­که محدودیت وابستگی به شرایط اولیه تا حدود بسیار زیادی خنثی گردیده، مشکل همگرایی دائمی به پاسخ بهینه­ محلی نیز تا حد قابل قبولی از بین رفته است.
شبیه­سازی بر روی مجموعه داده ­های متنوع اجرا گردیده است. پاسخ­های نهایی به­دست آمده گویای این مطلب می­باشدکه وابستگی به تعداد نمونه­ها، تعداد خوشه ­ها و تعداد پارامترها وجود ندارد و الگوریتم ترکیبی عملکرد مناسبی دارد. بنابراین، این الگوریتم را می­توان بر مجموعه داده ­ها مشابه اعمال نمود و نتیجه مناسب را به­دست آورد.
عدم وابستگی الگوریتـم به پارامترهای موجود، α، γ،N ، f_max ، یکــی دیگر از برتری­های روش ارائه شده می­باشد.
۵-۲-پیشنهاد کارهای آینده
با توجه به تلاش­ های انجام شده می­توان، ترکیب دو الگوریتم فازی C-means و الگوریتم TLBO را به­عنوان کار آینده پیشنهاد نمود.
مراجع
[۱]M.R. Anderberg, ‘Cluster Analysis for Application.’, New Yourk Academic Press, 1973.
[۲]J.A. Hartigan, “Statistical theory in clustering.”, Journal of Classification, 1985, Vol.2, pp.63-76.
[۳]Jon R Kettering, “The Practice of Cluster Analysis.”, Journal of Classification, 2006, Vol.23, pp.3-30.
[۴]J.J. H.Ward, “Hierarchical Grouping to Optimize an Objective Function.”, Journal of the American Statistical Association, 1963, Vol.58, pp.236-244.
[۵]J. MacQueen, “Some Methods for Classification and Analysis of MultivariateObservations.”, Fifth Berkeley Symp. Math.Statistics and Probability, 1967, Vol.2. pp.281-297.
[۶] Bezdek, J. “Fuzzy mathematics in pattern classification”, Ph.D. thesis. Ithaca, NY: Cornell University, 1794
[۷] I. Karen, A.R. Yildiz, N. Kaya, N. Ozturk, F. Ozturk, Hybrid approach
for genetic algorithm and Taguchi’s method based design
optimization in the automotive industry, International Journal of