خوشه­ بندی یکی از شاخه­ های یادگیری بدون نظارت بوده و فرآیند خودکاری است که در طی آن، نمونه­ها به دسته­ هایی که اعضای آن مشابه یکدیگر هستند، تقسیم می­شوند و به این دسته ­ها، خوشه گفته می­شود. بنابراین خوشه مجموعه­ ای از اشیاء است که در آن اشیاء با یکدیگر مشابه بوده و با اشیاء موجود در خوشه ­های دیگر، مشابهتی ندارند. برای مشابه بودن می­توان معیارهای مختلفی از قبیل معیار فاصله بین داده­ها، قابلیت اطمینان داده­ ها (Xing Wu ., 2014)، دسترس­پذیری داده ­ها (Tsozen Y., 2014)  و سایر معیارهای کیفی و کمی داده را برای خوشه ­بندی مورد استفاده قرار داد و داده­هایی را که بر اساس این ویژگی­ها، مشابه هستند، بعنوان یک خوشه در نظر گرفت. هدف اصلی خوشه­بندی یافتن خوشه­ های مشابه از اشیاء در بین نمونه­ های ورودی است، اما هیچ معیار مطلقی برای تعیین کیفیت خوشه­ بندی وجود ندارد، و این موضوع بستگی به مساله و نظر کاربر دارد که باید تصمیم بگیرد که آیا نمونه­ ها بدرستی خوشه­ بندی شده­ اند یا خیر. با این حال معیارهای مختلفی برای مناسب بودن یک خوشه­ بندی ارائه شده است که می­تواند کاربر را برای رسیدن به یک خوشه ­بندی مناسب راهنمایی کند. یکی از مسایل مهم در خوشه­ بندی، انتخاب تعداد خـوشه­ ها است. اندازه­گیری سرعت، کارایی، پیچیدگی زمانی و پیچیدگی حافظه از سایر معیارهای اندازه­گیری کیفیت خوشه­ بندی داده هستند.در سال­های اخیر، تحقیقات بسیاری در زمینه خوشه­ بندی بندی داده­ ها انجام شده است. یکی از پرکاربردترین روش­های خوشه­ بندی داده­ها استفاده از اتوماتای یادگیر است. اتوماتاي يادگير، يك مدل انتزاعي است كه تعداد محدودي عمل را مي‌تواند انجام دهد. هر عمل انتخاب شده توسط محيطي احتمالي ارزيابي مي‌گردد و پاسخي به اتوماتاي يادگير داده مي‌شود. اتوماتاي يادگير از اين پاسخ استفاده نموده و عمل خود را براي مرحله بعد انتخاب مي‌كند. اتوماتاهاي يادگير به دو دسته عمده اتوماتاي يادگير با ساختار ثابت و اتوماتاي يادگير با ساختار متغير تقسيم مي‌شوند. در اتوماتاي تصادفي با ساختار ثابت احتمال اقدام­هاي اتوماتا ثابت هستند. درحاليكه در اتوماتاي تصادفي با ساختار متغير احتمالات اقدام­هاي اتوماتا در هر تكرار بِروز مي‌شوند. در اتوماتاي يادگير با ساختار متغير، تغيير احتمال­هاي اقدام­ها بر اساس الگوريتم يادگيري انجام مي‌شود. در بیشتر الگوریتم­های خوشه­ بندی داده، از اتوماتای یادگیر با ساختار متغییر استفاده می­شود. در برخی از الگوریتم­های خوشه­ بندی از راهکارهای فازی، برای تکمیـل عملکرد اتوماتای یادگیر استفاده شده است. یکی از پرکاربـردترین روش­ها برای تصمیم­گیری­های چند عامله استفاده از ساختار تحلیل سلسله مراتبی[1] فازی است. روند تحلیل سلسله مراتبی، از روش تصمیم­گیری چند عامله[2]برای تصمیم­گیری استفاده می­کند و از بین چندین گزینه، یک گزینه را انتخاب می­کند. توماس ساعتی[3]، در سال 1980، روند تحلیل سلسله مراتبی را به عنوان ابزاری قدرتمند معرفی­ کرده است، در شرایطی که چندین هدف در موقعیت­ها و شرایط مربوطه وجود داشته باشد، این روش در روند تصمیم­ گیری استفاده می­شود. روند تحلیل سلسله مراتبی نشان دهنده رفتار طبیعی و فکر انسان است. این روش، مسائل پیچیده را تجزیه و تحلیل کرده و آنها را به صورت ساده تغییر و پس از آن شروع به حل آنها می­کند (Mohammadi, Homayoun, & Zadeh, 2012). بنابراین در این پژوهش به منظور افزایش کارایی الگوریتم خوشه­بندی و همچنین افزایش سرعت در خوشه­ بندی داده­ها، از یک راهکار خوشه­بندی با استفاده از اتوماتای یادگیر مبتنی بر راهکار تحلیل سلسله مراتبی فازی، استفاده می­شود. با استفاده از این راهکار، می­توان به صورت همزمان از دو یا چند معیار مختلف کیفی و کمـی برای خوشه­ بندی داده­ها، استفاده کرد. استفاده از این ساختار ضمن افزایش کارایی الگوریتم، دقت خوشه­ بندی داده­ها را افزایش می­دهد، زیرا از چند معیار مختلف برای خوشه­ بندی و تعیین شباهت بین داده­ها استفاده می­شود. همچنین روش پیشنهادی به علت  استفاده از چند معیار مختلف برای خوشه­ بندی داده­ها تعداد مناسبی از خوشه­ ها را تولید می­کند.

[1] -AHP

[2] -MADM (Multiple Attribute Decision Making)

[3] -Tomas Sati