論文の概要: A Hybrid Chimp Optimization Algorithm and Generalized Normal Distribution Algorithm with Opposition-Based Learning Strategy for Solving Data Clustering Problems

• arxiv url: http://arxiv.org/abs/2302.08623v1
• Date: Thu, 16 Feb 2023 23:29:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-20 16:25:51.192603
• Title: A Hybrid Chimp Optimization Algorithm and Generalized Normal Distribution Algorithm with Opposition-Based Learning Strategy for Solving Data Clustering Problems
• Title（参考訳）: データクラスタリング問題を解決するための対向型学習戦略を用いたハイブリッドチンプ最適化アルゴリズムと一般化正規分布アルゴリズム
• Authors: Sayed Pedram Haeri Boroujeni, Elnaz Pashaei
• Abstract要約: 本稿では、類似データと異種データを異なるグループに分類するコネクティビティ原則に基づいて、クラスタを分離するデータクラスタリングについて検討する。 メタヒューリスティック最適化アルゴリズムとインテリジェンスに基づく手法が,最適解を妥当な時間で達成するために導入された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This paper is concerned with data clustering to separate clusters based on the connectivity principle for categorizing similar and dissimilar data into different groups. Although classical clustering algorithms such as K-means are efficient techniques, they often trap in local optima and have a slow convergence rate in solving high-dimensional problems. To address these issues, many successful meta-heuristic optimization algorithms and intelligence-based methods have been introduced to attain the optimal solution in a reasonable time. They are designed to escape from a local optimum problem by allowing flexible movements or random behaviors. In this study, we attempt to conceptualize a powerful approach using the three main components: Chimp Optimization Algorithm (ChOA), Generalized Normal Distribution Algorithm (GNDA), and Opposition-Based Learning (OBL) method. Firstly, two versions of ChOA with two different independent groups' strategies and seven chaotic maps, entitled ChOA(I) and ChOA(II), are presented to achieve the best possible result for data clustering purposes. Secondly, a novel combination of ChOA and GNDA algorithms with the OBL strategy is devised to solve the major shortcomings of the original algorithms. Lastly, the proposed ChOAGNDA method is a Selective Opposition (SO) algorithm based on ChOA and GNDA, which can be used to tackle large and complex real-world optimization problems, particularly data clustering applications. The results are evaluated against seven popular meta-heuristic optimization algorithms and eight recent state-of-the-art clustering techniques. Experimental results illustrate that the proposed work significantly outperforms other existing methods in terms of the achievement in minimizing the Sum of Intra-Cluster Distances (SICD), obtaining the lowest Error Rate (ER), accelerating the convergence speed, and finding the optimal cluster centers.
• Abstract（参考訳）: 本稿では,類似および異種データを異なるグループに分類するための接続原理に基づき,クラスタを分離するデータクラスタリングについて述べる。 K平均のような古典的クラスタリングアルゴリズムは効率的な手法であるが、しばしば局所最適をトラップし、高次元問題の解法において収束速度が遅い。 これらの問題に対処するため、多くのメタヒューリスティック最適化アルゴリズムとインテリジェンスに基づく手法を導入し、適切な時間で最適解を得ることができた。 柔軟な動きやランダムな振る舞いを許容することで、局所的な最適問題から逃れるように設計されている。 本研究では, チップ最適化アルゴリズム (ChOA) , 一般化正規分布アルゴリズム (GNDA) , オポポジションベース学習 (OBL) の3つの主要コンポーネントを用いて, 強力なアプローチを概念化する。 まず,ChOA(I)とChOA(II)という,2つの異なる独立したグループ戦略と7つのカオスマップを持つChOAの2つのバージョンを提示し,データのクラスタリングに最適な結果を得る。 第2に,choaアルゴリズムとgndaアルゴリズムとobl戦略の新たな組み合わせを考案し,本アルゴリズムの主な欠点を解決する。 最後に、ChOAGNDA法は、ChOAとGNDAに基づくSelective Opposition (SO)アルゴリズムであり、大規模で複雑な実世界の最適化問題、特にデータクラスタリングアプリケーションに対処するために使用できる。 その結果,7つのメタヒューリスティック最適化アルゴリズムと8つの最新の最先端クラスタリング手法を用いて評価した。 実験の結果,提案手法は,クラスタ内距離(SICD)の最小化,最小誤差率(ER)の取得,収束速度の高速化,最適なクラスタセンターの発見などにおいて,既存の手法よりも大幅に優れていた。

関連論文リスト

• Faster Optimal Coalition Structure Generation via Offline Coalition Selection and Graph-Based Search [61.08720171136229]
  本稿では,3つの革新的手法のハイブリッド化に基づく問題に対する新しいアルゴリズムSMARTを提案する。 これらの2つの手法は動的プログラミングに基づいており、評価のために選択された連立関係とアルゴリズムの性能の強力な関係を示す。 我々の手法は、問題にアプローチする新しい方法と、その分野に新しいレベルの精度をもたらす。
  論文  参考訳（メタデータ） (2024-07-22T23:24:03Z)
• A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
  A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。 さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
  論文  参考訳（メタデータ） (2024-07-14T13:37:03Z)
• A Nonlinear African Vulture Optimization Algorithm Combining Henon Chaotic Mapping Theory and Reverse Learning Competition Strategy [9.252838762325927]
  ヘノンのカオスマッピング理論とエリート集団戦略は、ハゲワシの初期個体数のランダム性と多様性を改善するために提案されている。 逆学習競争戦略は、最適解に対する発見分野の拡大を目的としている。 提案したHWEAVOAは, 収束速度, 最適化能力, 解安定性における比較アルゴリズムよりも優れている全試験関数で第1位である。
  論文  参考訳（メタデータ） (2024-03-22T01:20:45Z)
• Modified LAB Algorithm with Clustering-based Search Space Reduction Method for solving Engineering Design Problems [0.7789406630452325]
  本稿では,改良型LABアルゴリズムを提案する。 提案アルゴリズムは、ルーレットホイールアプローチとグループ間競争を導入した還元係数を取り入れたものである。 アルゴリズムは改良され、より優れたロバスト性と探索空間探索能力を示した。
  論文  参考訳（メタデータ） (2023-10-04T12:35:13Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Regularization and Optimization in Model-Based Clustering [4.096453902709292]
  k-平均アルゴリズムの変種は、本質的に同じ球面ガウスの混合と、そのような分布から大きく逸脱するデータに適合する。 一般のGMMに対してより効率的な最適化アルゴリズムを開発し、これらのアルゴリズムと正規化戦略を組み合わせ、過度な適合を避ける。 これらの結果から, GMM と k-means 法の間の現状に新たな光を当て, 一般 GMM をデータ探索に利用することが示唆された。
  論文  参考訳（メタデータ） (2023-02-05T18:22:29Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Adaptive Group Collaborative Artificial Bee Colony Algorithm [12.843155301033512]
  人工蜂コロニー(ABC)アルゴリズムは競争力があることが示されている。 解空間全体(探索と呼ばれる)におけるグローバル探索の能力のバランスが取れず、局所解空間における迅速な探索が難しい。 ABCの性能向上のために,適応グループ協調ABC(AgABC)アルゴリズムを導入した。
  論文  参考訳（メタデータ） (2021-12-02T13:33:37Z)
• An Exact Algorithm for Semi-supervised Minimum Sum-of-Squares Clustering [0.5801044612920815]
  半教師付きMSSCのための分岐結合アルゴリズムを提案する。 背景知識はペアワイズ・マスタリンクと結びつかない制約として組み込まれている。 提案したグローバル最適化アルゴリズムは,実世界のインスタンスを最大800個のデータポイントまで効率的に解決する。
  論文  参考訳（メタデータ） (2021-11-30T17:08:53Z)
• Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
  通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。 我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。 我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
  論文  参考訳（メタデータ） (2021-06-08T15:54:44Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。