SciELO - Scientific Electronic Library Online

 
vol.18 issue2Attribute and Case Selection for NN Classifier through Rough Sets and Naturally Inspired AlgorithmsUnsupervised Learning for Syntactic Disambiguation author indexsubject indexsearch form
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • Have no similar articlesSimilars in SciELO

Share


Computación y Sistemas

Print version ISSN 1405-5546

Abstract

ARELLANO-VERDEJO, Javier; GUZMAN-ARENAS, Adolfo; GODOY-CALDERON, Salvador  and  BARRON FERNANDEZ, Ricardo. Búsqueda eficiente del óptimo número de grupos en un conjunto de datos con un nuevo algoritmo evolutivo celular híbrido. Comp. y Sist. [online]. 2014, vol.18, n.2, pp.313-327. ISSN 1405-5546.  http://dx.doi.org/10.13053/CyS-18-2-2014-034.

Un reto actual en el área de algoritmos evolutivos híbridos es el empleo eficiente de estrategias para cubrir la totalidad del espacio de búsqueda usando búsqueda local solo en las regiones prometedoras. Por otra parte, los algoritmos de agrupamiento, fundamentales para procesos de minería de datos y técnicas de aprendizaje, carecen de métodos eficientes para determinar el número óptimo de grupos a formar a partir de un conjunto de datos. Algunos de los métodos existentes hacen uso de algunos algoritmos evolutivos, así como una función para validación de agrupamientos como su función objetivo. En este artículo se propone un nuevo algoritmo evolutivo celular, para abordar dicha tarea. El algoritmo propuesto está basado en un modelo híbrido de búsqueda, tanto global como local y tras presentarlo se prueba con una estensa experimentación sobre diferentes conjuntos de datos y diferentes funciones objetivo.

Keywords : Agrupamiento; algoritmo genético celular; microalgoritmos evolutivos; optimización por cúmulo de partículas; número óptimo de clases.

        · abstract in English     · text in English     · English ( pdf )

 

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License