×

(k)-均值问题的带交叉类变异算子的遗传算法。 (英语) Zbl 1460.90151号

Kochetov,Yury(编辑)等人,《数学优化理论和运筹学》。第19届国际会议,2020年7月6日至10日,俄罗斯新西伯利亚,MOTOR 2020。修订了选定的论文。查姆:斯普林格。Commun公司。计算。信息科学。1275, 350-362 (2020).
摘要:基于解决中位数和类似问题的自动分组(聚类)方法的发展进展,主要是为了提高算法的计算效率、其对较大问题的适用性、准确性和结果的稳定性。研究人员的工作重点是开发折衷的启发式算法,该算法能够以最小的错误提供相当快的解决方案。带有贪婪凝聚交叉过程的遗传算法(GA)和其他针对所考虑问题的特殊GA证明了许多实际重要问题的目标函数(平方距离之和)的最佳值。通常,此类算法不使用任何变异算子,这在其他遗传算法中很常见。
我们针对(k)-均值问题提出了新的遗传算法,它使用与交叉和变异算子相同的步骤。我们比较了一种简单的遗传算法,用于解决单点交叉的k均值问题,并将其修改为均匀随机变异和我们的新交叉样变异。此外,我们将带有贪婪启发式交叉程序的遗传算法与其包含交叉样变异的修改进行了比较。比较结果表明,新变异算子的思想能够显著改善最简单遗传算法以及带有贪婪凝聚交叉算子的遗传算法的结果。
关于整个系列,请参见[Zbl 1454.90004号].

MSC公司:

90C27型 组合优化
90 C59 数学规划中的近似方法和启发式

软件:

剪影;UCI-毫升
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Farahani,R.,Hekmatfar,M.:设施位置:概念、模型、算法和案例研究。对管理科学的贡献。斯普林格,海德堡(2009)。https://doi.org/10.1007/978-3-7908-2151-2 ·doi:10.1007/978-3-7908-2151-2
[2] Shirkhorshidi,A.S.、Aghabozorgi,S.、Wah,T.Y.:连续数据聚类中相似性和差异性度量的比较研究。《公共科学图书馆·综合》10(12)(2015)。https://doi.org/10.1371/journal.pone.0144059
[3] Lloyd,S.P.:PCM中的最小二乘量化。IEEE传输。《信息论》28(2),129-137(1982)。https://doi.org/10.109/TIT.1982.1056489 ·Zbl 0504.94015号 ·doi:10.1109/TIT.1982.1056489
[4] MacQueen,J.B.:多元观测分类和分析的一些方法。摘自:第五届伯克利数理统计与概率研讨会论文集,第1卷,第281-297页(1967年)·Zbl 0214.46201号
[5] Rand,W.M.:聚类方法评价的客观标准。《美国统计协会期刊》66(336),846-850(1971)。https://doi.org/101080/01621459.1971.10482356 ·doi:10.1080/01621459.1971.10482356
[6] Hruschka,E.,Campello,R.,Freitas,A.,de Carvalho,A.:聚类进化算法综述。IEEE Trans。系统。人类网络。C部分申请。第39版,第133-155页(2009年)。https://doi.org/10.109/TSMCC.2008.2007252 ·doi:10.1109/TSMCC.2008.2007252
[7] Freitas,A.A.:数据挖掘进化算法综述。收录于:Maimon,O.,Rokach,L.(编辑)《数据挖掘和知识发现手册》,第371-400页。斯普林格,波士顿(2009)。https://doi.org/10.1007/978-0-387-09823-419 ·doi:10.1007/978-0-387-09823-419
[8] Zeebaree,D.Q.、Haron,H.、Abdulazez,A.M.和Zeebare,S.R.M.:K-means聚类与遗传算法的结合:综述。国际期刊申请。工程研究12(24),14238-14245(2017)。https://www.ripublication.com/ijaer17/ijaerv12n24_35.pdf
[9] Hosage,C.M.,Goodchild,M.F.:遗传算法的离散空间位置分配解决方案。安·Oper。《研究J.6》,35-46(1986年)。https://doi.org/10.1007/bf02027381 ·doi:10.1007/bf02027381
[10] Bozkaya,B.,Zhang,J.,Erkut,E.:p-median问题的遗传算法。摘自:Drezner,Z.,Hamacher,H.(编辑)《设施位置:应用与理论》。斯普林格,海德堡(2002)·Zbl 1005.90041号
[11] Alp,O.,Erkut,E.,Drezner,Z.:p-中值问题的一种有效遗传算法。安·Oper。第122、21-42号决议(2003年)。https://doi.org/10.1023/A:1026130003508 ·Zbl 1038.90046号 ·doi:10.1023/A:1026130003508
[12] Eremeev,A.V.:将锦标赛选择作为局部搜索方法的遗传算法。离散分析。操作。第19(2)号决议,41-53(2012)·Zbl 1324.68172号
[13] Krishna,K.,Murty,M.M.:遗传K-Means算法。IEEE传输。系统。人类网络。B部分(控制论)29(3),433-439(1999)。https://doi.org/10.109/3477.764879
[14] Maulik,U.,Bandyopadhyay,S.:基于遗传算法的聚类技术。模式识别。J.33(9),1455-1465(2000)。https://doi.org/10.1016/S0031-3203(99)00137-5 ·doi:10.1016/S0031-3203(99)00137-5
[15] Neema,M.N.,Maniruzzaman,K.M.,Ohgai,A.:基于新遗传算法的连续p-中值问题方法。Netw公司。小争吵。经济。83年9月11日(2011年)。https://doi.org/10.1007/s11067-008-9084-5 ·Zbl 1213.90163号 ·doi:10.1007/s11067-008-9084-5
[16] Kazakovtsev,L.A.,Antamoshkin,A.N.:聚类和定位问题的快速贪婪启发式遗传算法。Informatica 38(3),229-240(2014)。http://www.informatica.si/index.php/informatica/article/view/704/574
[17] Kwedlo,W.,Iwanowicz,P.:使用遗传算法为k-means方法选择初始聚类中心。摘自:ICAISC 2010:《人工智能与软计算》,第165-172页(2010年)。https://doi.org/10.1007/978-3-642-13232-2_20
[18] Kim,K.,Ahn,H.:一个使用GA K-means集群的在线购物市场推荐系统。专家系统。申请。34(2), 1200-1209 (2008) ·doi:10.1016/j.eswa.2006.12.025
[19] He,Z.,Yu,C.:基于聚类稳定性的进化k-means。软计算。23(1), 305-321 (2018). https://doi.org/10.1007/s00500-018-3280-0 ·Zbl 07075521号 ·doi:10.1007/s00500-018-3280-0
[20] Naldi,M.C.,Campello,R.J.G.B.,Hruschka,E.R.,Carvalho,A.C.P.L.F.:进化k-means的效率问题。申请。软计算。11(2), 1938-1952 (2011). https://doi.org/10.1016/j.asoc.2010.06.010
[21] Graña,M.、López-Guede,J.M.、Etxaniz,O.、Herrero,阿拉斯加。,Quintián,H.,Corchado,E.(编辑):SOCO/CISIS/ICEUTE-2016年。AISC,第527卷。查姆施普林格(2017)。https://doi.org/10.1007/978-3-319-47364-2 ·doi:10.1007/978-3-319-47364-2
[22] Rousseeuw,P.J.:轮廓:用于解释和验证聚类分析的图形辅助工具。J.计算。申请。数学。20, 53-65 (1987). https://doi.org/10.1016/0377-0427(87)90125-7 ·Zbl 0636.62059号 ·doi:10.1016/0377-0427(87)90125-7
[23] Davies,D.L.,Bouldin,D.W.:集群分离措施。IEEE传输。模式分析。机器。智力。1(2), 224-227 (1979). https://doi.org/10.1109/TPAMI.1979.4766909 ·doi:10.1109/TPAMI.1979.4766909
[24] Pelleg,D.,Moore A.:X-means:扩展K-means,有效估计簇数。摘自:《第17届机器学习国际会议论文集》,第727-734页(2000)
[25] Kazakovtsev,L.A.,Antamoshkin,A.N.:位置问题的贪婪启发式方法。Vestnik SibGAU 16(2),317-325(2015)。https://cyberlenka.ru/article/n/greedy-heuristic-method-for-location-problems
[26] Kwedlo,W.:一种结合差分进化和k-means算法的聚类方法。模式识别。莱特。32(12),1613-1621(2011)。https://doi.org/10.1016/j.patrec.2011.05.010 ·doi:10.1016/j.patrec.2011.05.010
[27] Chang,D.-X.,Zhang,X.-D.,Zheng,C.-W.:用于k均值聚类的基因重排遗传算法。模式识别。42(7), 1210-1222 (2009). https://doi.org/10.1016/j.patcog.2008.11.006 ·doi:10.1016/j.patcog.2008.11.006
[28] Brimberg,J.,Drezner,Z.,Mladenovic,N.,Salhi,S.:针对连续位置问题的新本地搜索。欧洲药典。第232(2)号决议,256-265(2014)·Zbl 1305.90267号 ·doi:10.1016/j.ejor.2013.06.022
[29] V I Orlov,V.I.,Kazakovtsev,L.A.,Rozhnov,I.P.,Popov,N.A.,Fedosov,V.V.:k均值聚类的可变邻域搜索算法。IOP Conf.Ser。马特。科学。工程450,022035(2018)。https://doi.org/10.1088/1757-899X/450/2/022035
[30] Kazakovtsev,L.,Stashkov,D.,Gudyma,M.,Kazakovsev,V.:混合概率分布分离的贪婪启发式算法。南斯拉夫J.Oper。第29(1)号决议,第51-67(2019)号决议。https://doi.org/10.2298/YJOR1711 ·Zbl 1474.65171号 ·doi:10.2298/YJOR1711
[31] 集群基本基准。http://cs.joensu.fi/sipu/datasets
[32] Orlov,V.I.,Rozhnov,I.P.,Kazakovtsev,L.A.,Lapunova,E.V.:结合使用可变邻域搜索和贪婪启发式方法开发聚类算法的方法。IOP配置序列。1399(2019年)。https://doi.org/10.1088/1742-6596/1399/3/033049
[33] UCI机器学习库。http://archive.ics.uci.edu/ml
[34] Rozhnov,I.,Orlov,V.Kazakovtsev,L.:半导体器件均匀生产批次检测问题的聚类算法集合。摘自:CEUR研讨会论文集OPTA-SCL 2018。最优化问题及其应用学校研讨会论文集。CEUR-WS 2098,第338-348页(2018年)。http://ceur-ws.org/Vol-2098/paper29.pdf
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。