Uso de algoritmos de optimización híbrida de gacela montañosa y de enjambre de partículas para mejorar el agrupamiento

Resumen El agrupamiento juega un papel crucial en la minería de datos y el aprendizaje automático, siendo su objetivo principal la identificación de grupos de datos cohesivos y distintos, lo que permite la extracción de información valiosa. Sin embargo, los algoritmos de agrupamiento a menudo enfrentan el desafío de quedar atrapados en óptimos locales, lo que dificulta su capacidad para alcanzar resultados óptimos. Para abordar este problema, los investigadores han recurrido al uso de algoritmos metaheurísticos. Este artículo propone un enfoque mejorado para el agrupamiento combinando el algoritmo de optimización por enjambre de partículas y el algoritmo de gacela montañosa. La utilización de este algoritmo combinado ha mostrado un rendimiento superior en comparación con depender únicamente del algoritmo de enjambre de partículas. Al aprovechar las fortalezas de ambos algoritmos, nuestro método supera las limitaciones impuestas por los óptimos locales, lo que lleva a resultados de agrupamiento más precisos y robustos. El algoritmo propuesto utiliza la medida de aptitud mínima para localizar el centroide óptimo, que se determina en función de tres restricciones: distancia intra-cluster, distancia inter-cluster y densidad del cluster. Luego, los datos se agrupan utilizando el centroide óptimo correspondiente al valor mínimo de la aptitud. El rendimiento de nuestro enfoque propuesto se ha evaluado en conjuntos de datos del mundo real como Iris, Wine y Vowel. Nuestro método y los algoritmos PSO y MGO se han comparado en estos conjuntos de datos. Los resultados de los experimentos indican que nuestro método propuesto supera a los algoritmos PSO y MGO en términos de calidad de agrupamiento y velocidad de convergencia.