Тип публикации: диссертация
Год издания: 2019
Ключевые слова: clustering, automatic grouping, k-means, k-medoids, CEM-algorithm, algorithm, clustering algorithms, greedy heuristics method, gpu, ensembles of algorithms, кластеризация, автоматическая группировка, k-средних, k-медоид, CEM-алгоритм, алгоритм, алгоритмы кластеризации, метод жадных эвристик, ансамбли алгоритмов
Аннотация: Предложен новый подход к разработке алгоритмов автоматической группировки, основанных на параметрических оптимизационных моделях, с комбинированным применением алгоритмов поиска с чередующимися рандомизированными окрестностями и жадных агломеративных эвристических процедур. Показано, что новые алгоритмы, разработанные с использованПоказать полностьюием нового подхода, позволяют получать более точный и стабильный результат (по достигаемому значению целевой функции) в сравнении с известными алгоритмами автоматической группировки за фиксированное время, позволяющее использовать алгоритмы в интерактивном режиме принятия решений для практических задач.?Предложены алгоритмы метода жадных эвристик с применением идеи графических ускорителей (GPU) при решении задач большой размерности. Показана высокая эффективность использования GPU в сравнении с расчетами на центральном процессоре (CPU) для больших наборов данных и большого числа кластеров.?Предложена процедура составления оптимальных ансамблей алгоритмов автоматической группировки с комбинированным применением генетического алгоритма метода жадных эвристик и согласованной матрицы бинарных разбиений для практических задач. Показано, что это позволяет повысить точность разделения на однородные партии продукции для практических задач автоматической группировки промышленной продукции. We propose a new approach to the development of automatic grouping (clustering) algorithms based on parametric optimization models with the combined use of search algorithms with variable randomized neighborhoods and greedy agglomerative heuristic procedures. Our experiments show that the new algorithms developed using the new approach are able to obtain more accurate and stable results (according to the achieved value of the objective function) in comparison with the known clustering algorithms for a fixed runtime, which allows using these algorithms in the interactive decision-making mode for practical problems.?We propose algorithms with greedy heuristic method using the idea of graphic accelerators (GPU) for solving large-scale problems. The computational experiments illustrate high performance of the GPUs in comparison with running the greedy heuristic algorithms on a central processor unit for problems with big datasets and bug numbers of clusters.?We propose a procedure for building optimal ensembles of automatic grouping (clustering) algorithms with a combined use of the genetic algorithm of the Greedy Heuristics Method and a matched binary partitioning matrix for practical problems. It is shown that our procedure allows us to increase the accuracy of separation of a mixed batch of industrial products into homogeneous batches.
Номера страниц: 176