Еволюційна кластеризація як метод розв’язання економічних задач

V. Y. Snytyuk, O. O. Suprun

Анотація


В статті представлено метод, розроблений для використання еволюційних технологій для кластеризації великої кількості об’єктів, що представлені за допомогою їх характеристичних значень. У зв’язку з необхідністю аналізувати великі дані та вилучати необхідні дані з багатовимірних баз, використання класичних методів аналізу не є ефективним, або ж потребує великої кількості ресурсів чи часу, щоб надати задовільне вирішення поставленої практичної задачі. Такі задачі дуже часто виникають в економічній та фінансовій сфері, де експерту потрібно приймати правильні рішення, згідно з інформацією, отриманою з різних джерел. Ця інформація може містити шуми, або навіть бути недостовірною. Для вирішення таких задач необхідні збір та формалізація доступної інформації, що потребує значних витрат часу. Запропонований метод дозволяє використовувати еволюційні технології, такі як генетичний алгоритм та елементі еволюційних стратегій, для вирішення задач кластеризації при мінімальних обмеженнях, що накладаються на початкові дані, що відповідає умовам реальних практичних задач. Наведено результати експериментів, при проведенні яких було використано такий метод, що доводить ефективність його використання.


Ключові слова


Задача кластеризації; складні об’єкти; еволюційні технології; генетичний алгоритм; еволюційні стратегії

Посилання


I. Mandel, “Cluster analysis,” Finance and Statistics, Moscow, 1988.

A. N. Gorban and A. Yu. Zinovyev, “Method of Elastic Maps and its Applications in Data Visualization and Data Modeling,” Int. Journal of Computing Anticipatory Systems, CHAOS, vol. 12, pp. 353–369, 2002.

T. Kohonen, “Self-organization and associative memory,” New-York, 2d. ed., Springer Verlag, 1988.

A. Jain, M. Murty, and P. Flynn, “Data Clustering: A Review,” ACM Computing Surveys, vol. 31, no. 3, 1999.

N. G. Zagoruiko, Applied methods of data and knowledge analysis, Novosibirsk, MI SB RAS, 1999, (in Russian).

M. Aizerman, E. Braverman, and A. Rozonoer, Method of potential functions in learning theory, Moskow, Nauka, 1970, (in Russian).

A. Ryosuke, M. Miyamoto, E. Yasunori, and H. Yukihiro, “Hierarchical clustering algorithms with automatic estimation of the number of clusters,” 9th International Conference on Soft Computing and Intelligent Systems (IFSA-SCIS), Otso, Japan, 2017.

A. T. C. Francisco, “Fuzzy clustering algorithm with automatic variable selection and entropy regularization,” IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), Naples, Italy, 2017.

M. Anusha and J. G. R. Sathiaseelan, “Evolutionary clustering algorithm using criterion-knowledge-ranking for multi-objective optimization,” World Conference on Futuristic Trends in Research and Innovation for Social Welfare (Startup Conclave), Coimbatore, India, 2016.

K. S. S. Reddy and C. S. Bindu, “A review on density-based clustering algorithms for big data analysis,” International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC) Palladam, Tamilnadu, India, 2017.

S. Yadav and M. Biswas, “Improved color-based K-mean algorithm for clustering of satellite image,” 4th International Conference on Signal Processing and Integrated Networks (SPIN) Noida, Delhi-NCR, India, 2017.

H. Yu, Z. Chang, and B. Zhou, “A novel three-way clustering algorithm for mixed-type data,” IEEE International Conference on Big Knowledge (ICBK), Hefei, China, 2017.

E. Falkenauer, Genetic algorithms and grouping problems, Chichester, England: John Wiley & Sons Ltd., 1997.

H.-P. Schwefel, Evolution and optimum seeking, New York: Wiley & Sons, 1995.


Повний текст: PDF

Посилання

  • Поки немає зовнішніх посилань.


ISSN 1990-5548

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported License.