Amélioration de l'approche des stratégies évolutives pour l'amélioration des techniques de clustering

L'existence de l'information a été l'aspect essentiel de toute la société. L'information est concentrée sous toutes ses formes pour être efficacement utilisée. Le clustering est une technique d'apprentissage non supervisé. Elle est basée sur la similarité des données, ce qui entraîne des problèmes de collecte, des défis et une instabilité dans la structure des données. Elle propose une méthode évolutive avancée en combinant deux approches. Tout d'abord, elle adopte l'approche évolutive et intègre les avantages entre deux méthodes pour en concevoir une. Parmi celles-ci se trouvent l'évolution différentielle (DE) et l'algorithme génétique (GA), la stratégie évolutive (ES) et la programmation génétique (GP), et la programmation évolutive (EP) et l'optimisation par essaim de particules (PSO). Deuxièmement, elle contient une recherche locale afin d'améliorer l'exploitation et d'assurer l'équilibre entre exploration et exploitation au sein de la collecte (algorithme DE, ES et EP). L'approche améliorée est validée sur trois ensembles de données : UTK face, nouvelles du groupe académique (AG) et météo. Les résultats suivants montrent que l'approche proposée est plus efficace et flexible. Elle obtient systématiquement des scores de silhouette supérieurs à 0,90 dans chaque scénario de test. C'est une amélioration significative par rapport aux méthodes de clustering métaheuristiques de base.