Artificial Bee Colony (ABC) algorithm which is one of the most recently introduced optimization algorithms, simulates the intelligent foraging behavior of a honey bee swarm. Clustering analysis, used in many disciplines and applications, is an important tool and a descriptive task seeking to identify homogeneous groups of objects based on the values of their attributes. In this work, ABC is used for data clustering on benchmark problems and the performance of ABC algorithm is compared with Particle Swarm Optimization (PSO) algorithm and other nine classification techniques from the literature. Thirteen of typical test data sets from the UCI Machine Learning Repository are used to demonstrate the results of the techniques. The simulation results indicate that ABC algorithm can efficiently be used for multivariate data clustering

خوشه‌بندی به عنوان ابزاری مهم برای کاربردهای مختلف در داده‌کاوی، تجزیه‌وتحلیل داده‌های آماری، فشرده‌سازی داده‌ها و رقمی سازی بردار، می‌تواند داده‌ها را در قالب خوشه‌ها ( یا گروه‌ها) جمع آوری نماید به طوری که داده‌های موجود در هر خوشه از سطح بالایی از تشابه برخوردار بوده و بسیار متفاوت از سایر خوشه‌ها باشند [1-3]. هدف خوشه‌بندی این بوده که داده‌ها را در قالب خوشه‌ها دسته‌بندی کرد به طوری که تشابه بین اعضای داده‌ای داخل یک خوشه در بیشترین سطح ممکن قرار داشته باشد و در عین حال تفاوت بین اعضای موجود در یک خوشه با اعضای سایر خوشه‌ها در کمترین سطح قرار داشته باشد...