Resumo-Clusterização é o processo de alocar os elementos de uma base de dados em um conjunto de clusters, de modo que os elementos similares permaneçam no mesmo cluster e elementos não similares sejam alocados para clusters distintos. Nos algoritmos de clusterização, normalmente é assumido que o número de clusters é um dado de entrada. Contudo, em muitas aplicações, este número ideal de clusters não pode ser determinado ou estimado previamente. Estes problemas são conhecidos como Problemas de Clusterização Automática (PCA). Neste trabalho é apresentado um Algoritmo utilizando a metaheurística ILS para a solução do PCA, incluindo três módulos de busca local e memória adaptativa. Resultados computacionais realizados para um conjunto de instâncias mostram a eficiência e a robustez da heurística proposta.

No abstract

Resumo. A área de Cluster Analysis agrega diversos métodos de classificação não supervisionada que podem ser aplicados com o objetivo de identificar grupos dentro de um conjunto de dados, supondo fixado o número de grupos e uma função objetivo, ou identificar o número ideal de grupos mediante avaliação de algum índice ou coeficiente. Em particular, o presente trabalho traz a proposta de um novo método de classificação denominado MRDBSCAN, que foi concebido a partir de uma calibração dos valores de parâmetros que são utilizados no conhecido método DBSCAN, que trabalha com o conceito de densidade. A qualidade das soluções obtidas é indicada pelo coeficiente silhueta, que combina coesão e separação. Os resultados apresentados neste estudo indicam que o método proposto é de fácil implementação e é competitivo em relação à qualidade das soluções quando comparado com os algoritmos mais sofisticados da literatura.Palavras Chave: Problema de Agrupamento Automático, Densidade, Silhueta, Algoritmo DBSCAN. -INTRODUÇÃOA resolução do problema de agrupamento de dados consiste na classificação não supervisionada de objetos em grupos (clusters), não sendo necessário um conhecimento prévio sobre as suas classes ou categorias [Jain and Dubes, 1988]. Seu objetivo é obter grupos que apresentem padrões (características) semelhantes e que possam refletir a forma como os dados são estruturados. Para isso, deve-se maximizar a similaridade (homogeneidade) entre os objetos de um mesmo grupo e minimizar a similaridade entre objetos de grupos distintos [Han and Kamber, 2006] and Ochi, 2003]. No presente trabalho será abordado o problema clássico de agrupamento definido pelas restrições:Estas restrições determinam, respectivamente, que: O conjunto X corresponde à união dos objetos dos grupos, cada objeto pertence a exatamente um grupo e todos os grupos possuem ao menos um objeto.Para este problema, o número de soluções possíveis, ou seja, o total de maneiras em que os n objetos podem ser agrupados, considerando um número fixo de k grupos, é dado pelo número de Stirling (NS) de segundo tipo [Jr, 1968], e podem ser obtidas pela Equação 4 [Liu, 1968]. Para problemas de agrupamento em que o valor de k é desconhecido (agrupamento automático), o número de soluções possíveis aumenta ainda mais. Este número é dado pela Equação 5, que corresponde ao somatório da Equação 4 para o número de grupos variando no intervalo [1,k max ], sendo k max o número máximo de grupos. Para que se tenha uma ideia da ordem de grandeza deste número, no caso de n=10 objetos a serem alocados em k=3 grupos, o número de soluções a serem consideradas é de 9.330. Mas considerando apenas dobro de objetos, ou seja, n=20 e k=3, o número de soluções possíveis (Equação 4) sobe para 580.606.446. No problema de agrupamento automático estes valores crescem exponencialmente com o aumento da quantidade de objetos (n). Esta característica torna proibitiva a obtenção

No abstract

No abstract