Resumen

Los algoritmos de clustering incremental desempeñan un papel fundamental en diversas aplicaciones, como el análisis de datos masivos y el procesamiento de datos en tiempo real. Los escenarios de aplicación típicos del clustering incremental plantean una gran demanda de potencia de cálculo de la plataforma de hardware. La computación paralela es una solución habitual para satisfacer esta demanda. Además, la Unidad de Procesamiento Gráfico de Propósito General (GPGPU) es un prometedor dispositivo de computación paralela. Sin embargo, el algoritmo de clustering incremental se enfrenta a un dilema entre la precisión del clustering y el paralelismo cuando se utiliza la GPGPU. Analizamos formalmente la causa de este dilema. En primer lugar, formalizamos conceptos relevantes para el clustering incremental como la granularidad evolutiva. En segundo lugar, demostramos formalmente dos teoremas. El primer teorema demuestra la relación entre la precisión de la agrupación y la granularidad evolutiva. Además, este teorema analiza los límites superior e inferior de la falta de afiliación de diferentes a iguales. Un menor número de estos errores de afiliación implica una mayor precisión. El segundo teorema revela la relación entre el paralelismo y la granularidad evolutiva. Una menor profundidad de trabajo significa un mayor paralelismo. A través de las pruebas, concluimos que la precisión de un algoritmo de agrupación incremental está relacionada negativamente con la granularidad evolutiva, mientras que el paralelismo está relacionado positivamente con la granularidad. Así, las relaciones contradictorias provocan el dilema. Por último, validamos las relaciones mediante un algoritmo de demostración. Los resultados del experimento verificaron las conclusiones teóricas.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:algoritmo de clustering incremental, granularidad, clustering incremental, dilema, escenario de aplicación típico, relaciones, análisis de datos masivos, procesamiento de datos en el tiempo, precisión, dispositivo de cálculo paralelo
• Keywords:incremental clustering algorithm, granularity, incremental clustering, dilemma, typical application scenario, relations, massive data analysis, time data processing, accuracy, parallel computing device