Resumen

Presentamos un enfoque de clustering genético multiobjetivo, en el que los puntos de datos se asignan a clusters basados en una nueva distancia de simetría de línea. El algoritmo propuesto se denomina clustering genético multiobjetivo basado en la simetría de líneas (MOLGC). Se utilizan dos funciones objetivo, primero el índice de Davies-Bouldin (DB) y segundo las funciones objetivo basadas en la distancia de simetría de línea. El algoritmo propuesto desarrolla soluciones de clustering casi óptimas utilizando múltiples criterios de clustering, sin un conocimiento a priori del número real de clusters. La búsqueda de vecinos más cercanos basada en árboles K dimensionales (Kd) aleatorios múltiples se utiliza para reducir la complejidad de encontrar los puntos simétricos más cercanos. Los resultados experimentales basados en varios conjuntos de datos artificiales y reales muestran que el algoritmo de clustering propuesto puede obtener soluciones de clustering óptimas en términos de diferentes medidas de calidad de cluster en comparación con los algoritmos de clustering existentes SBKM y MOCK.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:distancia de simetría de la línea, soluciones óptimas de agrupación, función de objetivos, algoritmo propuesto, búsqueda de vecinos más cercanos, simetría de la línea multiobjetivo, medidas de calidad de los clústeres, criterios de agrupación múltiples, punto simétrico más cercano, número de clústeres
• Keywords:line symmetry distance, optimal clustering solutions, objectives function, proposed algorithm, nearest neighbors search, multiobjective line symmetry, cluster quality measures, multiple clustering criteria, closest symmetric point, number of cluster