OPTIMIZATION OF K HARMONIC MEANS DATACLUSTERING WITH METAHEURISTICS(Ph.D. Thesis)Alper ÜNLERGAZİ UNIVERSITYINSTITUTE OF SCIENCE AND TECHNOLOGYDecember 2006ABSTRACTData clustering analysis is the basic problem of data mining and vectorquantization. There are basically two types of clustering: Hierarchical andpartitional. Center based clustering methods are the most common ones inpartitional clustering. K-Means clustering algorithm forms the basis of thecenter based clustering. Although it is very easy to implement and understand,K-Means clustering algorithm, it suffers form two major drawbacks; Firstly itis sensitive to initial conditions and secondly it converges to a local optimum. K-Harmonic Means data clustering method considerably solves the sensitivityproblem. Since the objective function is nonconvex and there exists many localminima, converging to a local optimum is still a problem of K-Harmonic Meansdata clustering. In this study, some heuristics like tabu search, simulatedannealing and particle swarm optimization are integrated with K-HarmonicMeans method to solve the local optimum problem. Three hybrid algorithmsare developed and implemented during this PhD study. The names of thealgorithms are TABAKHO, TAVBEKHO and PARSEKHO.The hybrids developped in this study are tested on the well known datasets and inmost cases they overperformed the alternative methods.Science Code : 906.1.148Key Words :Data clustering, K-Means, Fuzzy K-Means, K-HarmonicMeans, tabu search, simulated annealing, particle swarmoptimizationPage Number :132Advisor :Prof.Dr.Zülal GÜNGÖR.

SEZGİSEL YÖNTEMLERLE K HARMONİK ORTALAMA VERİKÜMELEME ENİYİLEME(Doktora Tezi)Alper ÜNLERGAZİ ÜNİVERSİTESİFEN BİLİMLERİ ENSTİTÜSÜAralık 2006ÖZETVeri madenciliği ve vektör nicemleme alanlarındaki en önemli problemlerdenbirisi veri kümeleme problemidir. Veri kümeleme analizi temelde hiyerarşik vehiyerarşik olmayan veri kümeleme olarak ikiye ayrılmaktadır. Hiyerarşikolmayan veri kümelemede merkez tabanlı kümeleme en çok kullanılanyöntemdir ve merkez tabanlı kümelemenin temelini K-Ortalama kümelemealgoritması oluşturmaktadır. Kullanımı ve anlaşılması çok kolay bir algoritmaolmasına rağmen K-Ortalama algoritmasının ilk seçilen merkezlere duyarlılıkve yerel eniyi noktasına takılma gibi iki temel problemi vardır. Diğer birmerkez tabanlı kümeleme algoritması olarak önerilen K-Harmonik Ortalamakümeleme yöntemi ilk merkezlere karşı duyarlılık problemine çözüm olarakönerilmiştir. Ancak amaç fonksiyonunun birden fazla yerel en küçük noktayasahip olması nedeniyle yerel eniyiye takılma problemi halen devam etmektedir.Bu çalışmada K-Harmonik Ortalama veri kümelemede yerel eniyiyetakılmamak ve en iyiye yakın çözümler bulmak amacıyla sezgisel yöntemlergeliştirilmiştir. Tabu arama, tavlama benzetimi ve parçacık sürü en iyilemesigibi üç temel sezgisel yöntem ayrı ayrı K-Harmonik Ortalama kümelemealgoritması ile birleştirilerek melez yöntemler oluşturulmuştur (TABAKHO,TAVBEKHO, PARSEKHO).Yapılan test ve analiz çalışmalarında önerilen yöntemlerin diğer yöntemlerdendaha iyi çözümler ürettiği gözlemlenmiştir.Bilim Kodu : 906.1.148Anahtar Kelimeler :Veri kümeleme, K-Ortalama, Bulanık K-Ortalama, K-Harmonik Ortalama, tabu arama, tavlama benzetimi,Parçacık sürü en iyilemesiSayfa Adedi :132Tez Yöneticisi :Prof.Dr.Zülal GÜNGÖR.