Metaheurística inspirada no comportamento das formigas aplicada ao problema de agrupamento

Abstract

Resumo Métodos aproximativos são muito utilizados na resolução de problemas computacionais complexos, pois são capazes de produzir resultados significativos em um tempo satisfatório. Sendo o problema de agrupamento automático NP-difícil, métodos não-exatos que possuem uma complexidade tratável são desejáveis. Por essa razão, nesse trabalho é apresentada uma metaheurística de inteligência coletiva, inspirada no comportamento das formigas para resolver problemas de agrupamento de dados. O algoritmo implementado foi submetido a testes, recebendo como entrada 68 instâncias da literatura e os resultados foram comparados com outro método de agrupamento baseado em densidade. O índice silhueta foi adotado para mensurar a qualidade dos agrupamentos gerados. Os resultados obtidos pelo algoritmo proposto foram competitivos quando comparados com a literatura, indicando que o algoritmo é capaz de encontrar agrupamentos que representem bem a distribuição original dos dados. Palavras-chave: Colônia de formigas, agrupamento, metaheurística. IntroduçãoSegundo [1] clustering, ou agrupamento é a identificação de grupos homogêneos de objetos, que consiste em inserir dentro de um mesmo conjunto, elementos que possuem tanto uma alta similaridade intragrupo quanto uma elevada dissimilaridade extra grupo. Tal problema, pode ser subdividido em duas classes distintas, sendo: Problema de Agrupamento e Problema de Agrupamento Automático, no qual no primeiro é necessário conhecer a priori o número de grupos, e no segundo, esse número é estimado pelo próprio algoritmo. Ambos os problemas pertencem à classe NP-difícil, quando k > 3 [4]. Por conseguinte, existem muitos trabalhos onde são utilizadas metaheurísticas para a resolução de problemas de agrupamento em um tempo viável [11]. Técnicas, inspiradas na natureza, estudam o comportamento de sistemas descentralizados e auto-organizados, visando imitá-los e aplicá-los em problemas computacionais difíceis na busca por soluções satisfatórias [10]. Os comportamentos coletivos que mais inspiraram o desenvolvimento de algoritmos são os baseados em colônias de formigas[8], abelhas[13] e partículas [14].

A genetic algorithm using Calinski-Harabasz index for automatic clustering problem

“…The following tables present a comparison between the algorithm presented in this work and some literature proposals, as follows: AECBL1, MRDBSCAN, AK-means, and ACO (Cruz, 2010, Semaan et al, 2012, Kettani et al, 2015, Pacheco et al, 2017. To compare to others methods, it is necessary to normally execute the algorithm, find the solution and use the Silhouette index, since most of the methods in the literature use this index to show their results.…”

“…The optimality was measured by Calinski-Harabasz index (CHI). Finally, Pacheco et al (2017) presented an algorithm based on a proposal inspired by ants behavior to solve data clustering problems. The ACO algorithm performed its experiments with the SI evaluation function.…”