توابع هدف به­دست آمده در مراحل هفتم و نهم با هم مقایسه شده و موقعیت تابع هدف کوچک­­تر به عنوان موقعیت جدید پذیرفته می­ شود و خفاش به این موقعیت تغییر مکان می­دهد. با حرکت به موقعیت جدید، دامنه و نرخ ارسال پالس طبق روابطی که قبلاً ذکر شد، به­روز می­ شود.
مرحله­ یازدهم: به­روزکردن موقعت بهینه
بعد از انجام مراحل بالا برای همه اعضای جمعیت، مجدداً جمعیت بر اساس تابع هدف به صورت صعودی مرتب می­ شود. کوچک­یترین مقدار تابع هدف با مقدار بهینه سراسری به دست آمده در مرحله­ سوم، مقایسه شده و در صورت کوچک­تر بودن به عنوان بهینه سراسری، جایگزین مقدار قبلی می­گردد.

مرحله­ دوازدهم: تست شرط توقف
در هر مرحله تکرار، تابع هدف با شرط توقف مقایسه شده و در صورت برآورده نشدن آن،الگوریتم از مرحله پنجم به بعد تکرار می­ شود.
۴-۳- تنظیم پارامترهای الگوریتم پیشنهادی
پارامترهایی که در حین اجرای الگوریتم پیشنهادی بایستی تنظیم گردند، عبارتند از: γ و α و m وN وf_max وf_min. مقادیر انتخابی این پارامترها برای الگوریتم پیشنهادی، در جدول ۴-۱ آورده شده است.
جدول ۴-۱ پارامترهای مربوط به الگوریتم های پیشنهادی.

۴-۴- بررسی نتایج حاصل از الگوریتم پیشنهادی و مقایسه آن با دیگر الگوریتم ها
در این بخش نتایج به­دست آمده از الگوریتم پیشنهادی بر روی داده ­های معروف، مورد بررسی قرار خواهد گرفت. آنگاه، پاسخ نهایی الگوریتم­های پیشین با الگوریتم مورد بحث در این تحقیق، با هم مقایسه می­گردد.
به طور کلی، مجموعه داده ­های مختلفی برای انجام فرایند خوشه­بندی وجود دارد که هر کدام دارای ویژگی­های خاص خود هستند. لذا، برای دستیابی به اهداف موجود، مجموعه داده ­های Iris، Wine، CMC، Vowel برگزیده می­شوند. در ادامه، این مجموعه از داده ­ها معرفی و نتایج به­دست آمده به صورت مجزا نمایش داده می­ شود.
۴-۴-۱- معرفی داده ­های استفاده شده و نتایج شبیه سازی مربوط به آن
همانطور که گفته شد، از ۴ مجموعه داده معروف، برای ارزیـابی عملکرد سیستم­های خوشه­بندی استفاده خواهد شد؛ که به صورت اجمالی تشریح خواهد شد. شایان ذکر است که این مجموعه داده ­ها در اکثر مسائل خوشـه­بندی و طبقه ­بندی کاربرد دارد.