하이브리드 마운틴 가젤 최적화 및 입자 군집 최적화 알고리즘을 사용하여 군집화 개선하기

초록 군집화는 데이터 마이닝 및 기계 학습에서 중요한 역할을 하며, 주요 목표는 응집력 있고 독특한 데이터 그룹을 식별하여 귀중한 정보를 추출하는 것입니다. 그러나 군집화 알고리즘은 종종 지역 최적해에 갇히는 문제에 직면하여 최적 결과를 달성하는 데 어려움을 겪습니다. 이러한 문제를 해결하기 위해 연구자들은 메타 휴리스틱 알고리즘을 사용하기 시작했습니다. 이 문서에서는 입자 군집 최적화 알고리즘과 마운틴 가젤 알고리즘을 결합하여 군집화를 위한 향상된 접근 방식을 제안합니다. 이 결합된 알고리즘의 활용은 순수하게 입자 군집 알고리즘에 의존하는 것과 비교하여 우수한 성능을 보였습니다. 두 알고리즘의 강점을 이용하여 우리의 방법은 지역 최적해가 제기하는 제한을 극복하여 보다 정확하고 강력한 군집화 결과를 이끌어냅니다. 제안된 알고리즘은 최소 적합성 측정을 사용하여 최적 중심을 찾으며, 이는 세 가지 제약 조건인 군집 내 거리, 군집 간 거리 및 군집 밀도를 기반으로 결정됩니다. 그 후 데이터는 최소 적합성 값에 해당하는 최적 중심을 사용하여 군집화 됩니다. 우리의 제안된 접근 방식은 Iris, Wine 및 Vowel과 같은 실제 데이터 세트에서 평가되었습니다. 우리의 방법과 PSO 및 MGO 알고리즘이 이러한 데이터 세트에서 비교되었습니다. 실험 결과는 우리의 제안된 방법이 군집화 품질 및 수렴 속도 측면에서 PSO 및 MGO 알고리즘보다 우수하다는 것을 나타냅니다.