Técnicas de agrupamento e algoritmos genéticos.
| dc.contributor | Instituto de Ciências Matemáticas e de Computação – ICMC/USP | pt_BR |
| dc.contributor.author | Naldi, Murilo Coelho | |
| dc.contributor.author | Carvalho, André Carlos Ponce de Leon Ferreira de | |
| dc.date.accessioned | 2018-08-24T14:37:38Z | |
| dc.date.available | 2018-08-24T14:37:38Z | |
| dc.date.issued | 2005-11 | |
| dc.description.abstract | Os algoritmos de agrupamento têm por objetivo reunir uma série de objetos ou instâncias em grupos, ou clusters, de objetos semelhantes ou relacionados. Desta forma, esses algoritmos fornecem um meio de explorar e analisar estruturas presentes nos dados. Porém, muitos desses algoritmos são deterministicos (hill-Climbing) e tendem a encontrar soluções em mínimos locais, não necessariamente o mínimo global. Além disso, uma mesma técnica de agrupamento utilizada em um mesmo conjunto de dados pode resultar em diferentes formas de agrupar esses dados (Zeng et al. 2002). Abordagens evolutivas têm se mostrado muito eficientes para a obtenção de soluções globais e têm obtido bons resultados para problemas de agrupamento (Jain et al. 1999). Neste relatório será apresentado um estudo de diferentes métodos que combinam Algoritmos Genéticos (GA) com algoritmos de agrupamento. | pt_BR |
| dc.description.notes | Relatórios Técnicos do ICMC; 267 | pt_BR |
| dc.format | 46 p. | pt_BR |
| dc.identifier.uri | http://repositorio.icmc.usp.br//handle/RIICMC/6829 | |
| dc.language.iso | por | pt_BR |
| dc.publisher.city | São Carlos, SP, Brasil. | pt_BR |
| dc.subject | Inteligência artificial | pt_BR |
| dc.title | Técnicas de agrupamento e algoritmos genéticos. | pt_BR |
| dc.title.alternative | Grouping techniques and genetic algorithms. | pt_BR |
| dc.type.category | Relatórios técnicos | pt_BR |
| usp.description.abstracttranslated | The clustering algorithms aim to gather a series of objects or instances in groups, or clusters, of similar or related objects. In this way, these algorithms provide a means of exploring and analyzing the data. However, many of these algorithms are deterministic (hill-climbing) and tend to find solutions in local minimum, not necessary the overall minimum. In addition, the same grouping technique used in the same dataset can result in different to group these data (Zeng et al., 2002). Evolutionary approaches have shown very efficient to obtain global solutions and have results for clustering problems (Jain et al., 1999). In this report will be presented a study of different methods that combine Algorithms Genetic (GA) with clustering algorithms. | pt_BR |