الگوریتم FCMdc چیست؟ خوشه‌بندی فازی پویا (Dynamic Fuzzy C-Means)

دکتر محمدرضا عاطفی
جولای 1, 2026

1. چکیده

الگوریتم Fuzzy C-Means with Dynamic Clusters (FCMdc) یکی از توسعه‌های مهم خانواده Fuzzy C-Means است که برای داده‌هایی طراحی شده است که در آن‌ها ساختار خوشه‌ها ایستا نیست و می‌تواند در طول فرایند خوشه‌بندی تغییر کند. در FCM کلاسیک، معمولاً تعداد خوشه‌ها از ابتدا ثابت در نظر گرفته می‌شود؛ اما در بسیاری از مسائل واقعی، این فرض محدودکننده است، زیرا ممکن است داده‌ها دارای خوشه‌های در حال شکل‌گیری، ادغام‌شونده یا حذف‌شونده باشند. FCMdc با افزودن سازوکار پویا برای مدیریت ساختار خوشه‌ها، تلاش می‌کند بازنمایی واقع‌بینانه‌تری از داده ارائه دهد. این ویژگی به‌ویژه در تحلیل داده‌های زمانی، داده‌های جریان‌پیوسته، الگوهای متغیر و برخی مسائل زیستی و صنعتی اهمیت دارد.

در این مقاله، ابتدا مفاهیم پایه و مسئله‌ای که FCMdc حل می‌کند توضیح داده می‌شود، سپس مبانی نظری و ریاضی آن، مراحل اجرای الگوریتم، مثال‌های عددی، کاربردهای واقعی، مزایا، محدودیت‌ها و مقایسه آن با روش‌های مشابه بررسی می‌شود. در پایان نیز نوآوری‌های اخیر و مسیرهای پژوهشی آینده این روش بر پایه کتاب‌ها و مقالات معتبر، به‌ویژه منابع پس از 2015، مرور خواهد شد.

2. مقدمه

خوشه‌بندی فازی یکی از ابزارهای مهم در یادگیری بدون ناظر است و زمانی اهمیت بیشتری پیدا می‌کند که مرز میان گروه‌های داده روشن و قطعی نباشد. در این چارچوب، هر داده می‌تواند با درجات مختلف به چند خوشه تعلق داشته باشد و همین ویژگی، آن را برای مدل‌سازی داده‌های مبهم، هم‌پوشان و پیچیده مناسب می‌کند. با این حال، بسیاری از نسخه‌های کلاسیک خوشه‌بندی فازی، از جمله Fuzzy C-Means (FCM)، بر یک فرض مهم تکیه دارند: تعداد خوشه‌ها ثابت است و ساختار خوشه‌ها در طول یادگیری تغییر نمی‌کند.

این فرض در مسائل واقعی همیشه برقرار نیست. در بسیاری از داده‌های پویا، مانند داده‌های زمانی، سنسوری، زیستی، تراکنشی یا جریان‌داده، ساختار خوشه‌ها می‌تواند تغییر کند. گاهی یک خوشه جدید ظاهر می‌شود، گاهی دو خوشه به یکدیگر نزدیک می‌شوند و ادغام آن‌ها معنادار است، و گاهی نیز یک خوشه کارکرد تحلیلی خود را از دست می‌دهد. در چنین شرایطی، استفاده از الگوریتمی که بتواند ساختار خوشه‌ها را به‌صورت پویا تنظیم کند، ضروری است.

الگوریتم FCMdc با همین هدف مطرح شده است. این روش تلاش می‌کند ضمن حفظ منطق خوشه‌بندی فازی، امکان مدیریت پویایی خوشه‌ها را نیز فراهم کند. در این مقاله، ابتدا مفاهیم پایه معرفی می‌شوند، سپس ضرورت وجودی این روش توضیح داده می‌شود، بعد به مبانی ریاضی و فرایند اجرایی آن می‌پردازیم و در ادامه، با مثال‌های عددی، کاربردهای عملی، مزایا و محدودیت‌ها، تصویری روشن از جایگاه FCMdc ارائه می‌کنیم.

3. تعاریف و مفاهیم پایه

3.1. خوشه‌بندی فازی

در خوشه‌بندی فازی (Fuzzy Clustering) هر داده به‌جای آن‌که فقط به یک خوشه تخصیص یابد، دارای درجه عضویت در چند خوشه است. این عضویت‌ها معمولاً مقادیری بین صفر و یک هستند و مجموع آن‌ها برای هر داده برابر 1 در نظر گرفته می‌شود.

به‌صورت ریاضی، اگر uij درجه عضویت داده xi در خوشه j باشد، داریم:

0 ≤ uij ≤ 1

و برای هر داده xi:

∑ uij =1 (j=1to c)

که در آن:

uij: درجه عضویت داده i در خوشه j
c: تعداد خوشه‌ها

3.2 الگوریتم Fuzzy C-Means

الگوریتم FCM یکی از رایج‌ترین روش‌های خوشه‌بندی فازی است که با کمینه‌سازی یک تابع هدف مبتنی بر فاصله، هم‌زمان مراکز خوشه‌ها و درجات عضویت را به‌روزرسانی می‌کند (Bezdek, 1981).

3.3 خوشه‌های پویا (Dynamic Clusters)

منظور از خوشه‌های پویا این است که ساختار خوشه‌ها در طول فرایند تحلیل ثابت نیست. این پویایی می‌تواند به چند شکل ظاهر شود:

ایجاد یک خوشه جدید
حذف یک خوشه کم‌اهمیت یا کم‌جمعیت
ادغام دو خوشه نزدیک
شکستن یک خوشه بزرگ به چند خوشه کوچک‌تر
تغییر معنادار مرکز یا شکل خوشه در داده‌های زمان‌مند

3.4 FCMdc چیست؟

FCMdc را می‌توان یک توسعه از FCM دانست که در آن، علاوه بر به‌روزرسانی درجات عضویت و مراکز خوشه‌ها، یک سازوکار تصمیم‌گیری برای مدیریت پویای تعداد یا ساختار خوشه‌ها نیز وارد الگوریتم می‌شود. در نتیجه، FCMdc تنها یک روش برای «تقسیم داده‌ها» نیست، بلکه یک چارچوب برای «سازگاری ساختار خوشه‌بندی با خود داده» است.

3.5 تمایز FCMdc با FCM کلاسیک

تفاوت اصلی این دو روش در این است که:

در FCM کلاسیک، تعداد خوشه‌ها ccc از ابتدا تعیین می‌شود و تا پایان ثابت می‌ماند.
در FCMdc، تعداد یا ساختار خوشه‌ها می‌تواند بر اساس شواهد موجود در داده و معیارهای اعتبار خوشه، در طول اجرا تنظیم شود.

4. مسئله‌ای که این روش حل می‌کند؛ اهمیت و ضرورت

الگوریتم FCMdc برای حل یک مسئله مشخص طراحی شده است: خوشه‌بندی فازی در شرایطی که ساختار خوشه‌ها از پیش کاملاً معلوم یا ثابت نیست. در بسیاری از کاربردها، تعیین تعداد دقیق خوشه‌ها پیش از تحلیل دشوار است و حتی اگر در ابتدای کار یک تعداد اولیه انتخاب شود، ممکن است این انتخاب در ادامه با ساختار واقعی داده سازگار نباشد.

مشکل اصلی FCM کلاسیک این است که به یک تعداد خوشه ثابت وابسته است. اگر این تعداد کمتر از مقدار مناسب انتخاب شود، خوشه‌های ناهمگون در یک گروه ادغام می‌شوند. اگر بیشتر از مقدار مناسب باشد، ساختار واقعی داده به‌طور مصنوعی خرد می‌شود. این مسئله در داده‌های پویا، جریان‌داده، داده‌های دارای تغییر مفهوم (concept drift) و داده‌های زیستی یا صنعتی که الگوهای آن‌ها در طول زمان تغییر می‌کند، شدیدتر است.

ضرورت FCMdc از همین‌جا ناشی می‌شود: نیاز به روشی که نه‌تنها عضویت فازی را مدل کند، بلکه بتواند ساختار خوشه‌ها را با رفتار واقعی داده تطبیق دهد. بنابراین، FCMdc پاسخ به محدودیت ساختاری FCM است، نه صرفاً یک نسخه «بهتر» از آن. ارزش این روش در این است که به تحلیل‌گر اجازه می‌دهد بدون اتکای کامل به یک انتخاب اولیه ثابت، به ساختار منعطف‌تری از خوشه‌ها برسد.

5. مبانی نظری و ریاضی

5.1 فرمول‌بندی پایه FCM

برای مجموعه داده

X = {x1 , x2 , … , xn} , xi ∈ R^d

تابع هدف کلاسیک FCM به‌صورت زیر تعریف می‌شود:

که در آن:

Jm(U,V) : تابع هدف فازی
[uij]U = : ماتریس عضویت
V = {v1 ,…, vc} : مجموعه مراکز خوشه
uij: درجه عضویت داده xi در خوشه j
m>1: پارامتر فازی‌ساز
^2∥xi−vj∥ : مربع فاصله اقلیدسی بین داده و مرکز خوشه
n: تعداد داده‌ها
c: تعداد خوشه‌ها
d: بُعد داده‌ها

قیود ماتریس عضویت نیز به‌صورت زیر هستند:

0 ≤ uij ≤ 1

∑ uij=1 ∀i (j=1 to c)

5.2 روابط به‌روزرسانی در FCM

مرکز خوشه j از رابطه زیر به‌دست می‌آید:

در این رابطه:

vj: مرکز خوشه j
uij^m: وزن فازی داده xi در خوشهj

رابطه به‌روزرسانی عضویت‌ها نیز برابر است با:

این رابطه نشان می‌دهد که عضویت هر داده به فاصله نسبی آن از همه مراکز خوشه وابسته است.

5.3 ایده ریاضی FCMdc

در FCMdc، تابع هدف پایه معمولاً حفظ می‌شود، اما یک یا چند ترم تنظیم‌کننده یا قاعده ساختاری برای مدیریت پویایی خوشه‌ها به آن افزوده می‌شود. یک فرم کلی و مفهومی از تابع هدف می‌تواند چنین باشد:

JFCMdc = Jm(U,V) + λ Ω(C)

که در آن:

JFCMdc : تابع هدف توسعه‌یافته
(U,V) Jm: تابع هدف کلاسیک FCM
(C) Ω: ترم ساختاری مرتبط با پویایی خوشه‌ها
λ: ضریب تنظیم شدت اثر ترم پویایی
C: ساختار خوشه‌بندی، مانند تعداد خوشه‌ها یا روابط بین خوشه‌ها

تفسیر ترم (C) Ω

بسته به نسخه دقیق FCMdc، این ترم می‌تواند یکی از نقش‌های زیر را بازی کند:

جریمه برای تعداد بیش از حد خوشه‌ها
جریمه برای خوشه‌های بسیار نزدیک که باید ادغام شوند
تشویق به ایجاد خوشه جدید در صورت بالا بودن خطای بازسازی
کنترل اندازه یا پایداری خوشه‌ها در طول زمان

.

5.4 معیارهای تصمیم برای پویایی خوشه‌ها

در بسیاری از نسخه‌های خوشه‌بندی فازی پویا، تصمیم درباره ایجاد، حذف یا ادغام خوشه‌ها بر اساس شاخص‌های اعتبار خوشه انجام می‌شود. به‌صورت مفهومی، اگر فاصله دو مرکز خوشه کم باشد، یعنی:

∥vp−vq∥ < τmerge

ممکن است دو خوشه p و q برای ادغام مناسب باشند.

در اینجا:

vp, vq : مراکز دو خوشه
τmerge : آستانه ادغام

به‌طور مشابه، اگر وزن مؤثر یک خوشه بسیار کوچک باشد:

∑ uij^m < τremove (i=1 to n)

خوشه j می‌تواند نامعتبر تلقی شود.

در این رابطه:

τremove : آستانه حذف خوشه

5.5 شاخص‌های اعتبار در تنظیم ساختار خوشه

نسخه‌های پویا معمولاً از شاخص‌هایی مانند Xie-Beni Index، Partition Coefficient یا Partition Entropy برای ارزیابی کیفیت ساختار خوشه‌بندی استفاده می‌کنند (Xie & Beni, 1991; Pal & Bezdek, 1995).

برای مثال، شاخص Xie-Beni به‌صورت زیر نوشته می‌شود:

که در آن:

XB : شاخص Xie-Beni
صورت کسر: فشردگی درون‌خوشه‌ای
مخرج کسر: جدایی کمینه بین خوشه‌ها

مقدار کمتر XB معمولاً نشان‌دهنده خوشه‌بندی بهتر است، زیرا هم‌زمان فشردگی بالاتر و جدایی بیشتر را بازتاب می‌دهد.

5.6 فرض‌های پایه

مبانی نظری FCMdc معمولاً بر چند فرض استوار است:

داده‌ها قابلیت بازنمایی در یک فضای برداری را دارند.
مفهوم شباهت یا فاصله میان داده‌ها قابل تعریف است.
عضویت فازی برای مسئله معنادارتر از انتساب سخت است.
ساختار خوشه‌ها ممکن است ثابت نباشد و باید توسط داده هدایت شود.
تصمیم‌های پویای مربوط به خوشه‌ها نیازمند آستانه یا شاخص اعتبار هستند.

6. مراحل گام به گام اجرای الگوریتم

در این بخش، منطق اجرایی FCMdc را به‌صورت عمومی و آموزشی بیان می‌کنیم. توجه داشته باشید که نسخه‌های مختلف این الگوریتم ممکن است در جزئیات متفاوت باشند، اما اسکلت اجرایی آن‌ها معمولاً مشابه است.

6.1 ورودی‌ها

مجموعه داده X
تعداد اولیه خوشه‌ها
پارامتر فازی‌ساز m
آستانه توقف ε
آستانه ادغام τmerge
آستانه حذف τremove
در صورت نیاز، آستانه ایجاد خوشه جدید τcreate
حداکثر تعداد تکرار Tmax

6.2 گام‌های اجرا

گام 1: مقداردهی اولیه

ابتدا یک تعداد اولیه برای خوشه‌ها در نظر گرفته می‌شود و ماتریس عضویت اولیه U⁰یا مراکز اولیه V⁰ ساخته می‌شوند. این مقدار اولیه می‌تواند بر اساس تجربه، نمونه‌گیری یا یک الگوریتم کمکی تعیین شود.

گام 2: به‌روزرسانی مراکز خوشه

برای هر خوشه j، مرکز جدید از رابطه زیر محاسبه می‌شود:

گام 3: به‌روزرسانی درجات عضویت

پس از به‌روزرسانی مراکز، ماتریس عضویت جدید محاسبه می‌شود:

در اینجا C_t تعداد خوشه‌ها در تکرار t است؛ یعنی تعداد خوشه‌ها می‌تواند از یک تکرار به تکرار بعدی تغییر کند.

گام 4: ارزیابی ساختار خوشه‌ها

در این مرحله، ساختار فعلی خوشه‌ها بررسی می‌شود. معمولاً سه نوع تصمیم ممکن است گرفته شود:

الف) ادغام خوشه‌ها

اگر دو مرکز بسیار نزدیک باشند یا ادغام آن‌ها باعث بهبود شاخص اعتبار شود، دو خوشه ادغام می‌شوند.

ب) حذف خوشه

اگر جرم فازی یک خوشه بسیار کم باشد یا خوشه از نظر تحلیلی پایدار نباشد، حذف می‌شود.

ج) ایجاد خوشه جدید

اگر خطای بازنمایی در یک ناحیه از فضا زیاد باشد یا داده‌های خاصی به‌خوبی توسط خوشه‌های موجود پوشش داده نشوند، یک خوشه جدید ساخته می‌شود.

گام 5: بازتنظیم ماتریس عضویت

اگر ساختار خوشه‌ها تغییر کرده باشد، ماتریس عضویت باید متناسب با ساختار جدید بازتنظیم شود تا قیود فازی حفظ شوند.

گام 6: بررسی معیار توقف

اگر یکی از شرایط زیر برقرار باشد، الگوریتم متوقف می‌شود:

تغییر مراکز خوشه کمتر از ε باشد
تغییر تابع هدف ناچیز باشد
ساختار خوشه‌ها در چند تکرار متوالی پایدار بماند
تعداد تکرارها به Tmax برسد

6.3 شبه‌کد

Input: X, c0, m, ε, τmerge, τremove, τcreate, Tmax
Initialize cluster centers or membership matrix
Set c = c0

for t = 1 to Tmax:
    Update cluster centers V
    Update membership matrix U
    Evaluate cluster validity and structure

    if two clusters are too close:
        merge them

    if a cluster has very low fuzzy mass:
        remove it

    if representation error is high in some region:
        create a new cluster

    Recalculate U if cluster structure changed

    if convergence criteria satisfied:
        break

Return final clusters, centers, and memberships

6.4 نکته پیاده‌سازی

در عمل، FCMdc بیش از آن‌که یک فرمول واحد و استاندارد جهانی داشته باشد، یک خانواده از روش‌های پویا است. بنابراین، هنگام پیاده‌سازی باید مشخص شود که سیاست پویایی دقیقاً بر چه مبنایی تعریف شده است: ادغام، حذف، ایجاد، شکافت، یا ترکیبی از این‌ها.

7. مثال‌های عددی

مثال 1: محاسبه مرکز فازی یک خوشه

صورت مسئله

سه داده یک‌بعدی داریم و می‌خواهیم مرکز یک خوشه را با فرض m = 2 محاسبه کنیم.

داده ورودی

درجات عضویت نسبت به خوشه اول:

حل گام‌به‌گام

ابتدا توان دوم عضویت‌ها را محاسبه می‌کنیم:

حال مرکز خوشه:

پاسخ نهایی

v1 ≈ 1.94

تفسیر نتیجه

چون داده‌های 1 و 3 عضویت بیشتری در خوشه دارند، مرکز خوشه به آن‌ها نزدیک‌تر شده است و تأثیر داده 8 محدود مانده است.