Centroid movement and transferences: alternatives for generating neighbors in simulated annealing
Loading...
Date
Journal Title
Journal ISSN
Volume Title
Publisher
Editorial Tecnológica de Costa Rica (entidad editora)
Abstract
Description
In this paper, two different strategies to generate neighbors in the simulated annealing algorithm were compared. The first idea is based on transferring objects between classes. The other strategy moves artificial objects (called centroids) which represent the clusters. A comparison was developed using the combinatorial optimization problem of quantitative data clustering. This problem is presented as the minimization of W(P), which represents the within-inertia as a function of the partition P. Finally, this allowed comparison of the algorithms’ performance in several data sets.
En este artículo se comparan dos estrategias alternativas para la generación de vecinos en el algoritmo de sobrecalentamiento simulado. La primera corresponde a la transferencia de objetos de una clase a otra. La segunda, realiza el movimiento de individuos artificiales (llamados centroides) que representan a las clases. La comparación se realizó en el contexto del problema de optimización combinatoria de clasificación de datos cuantitativos. Este problema fue planteado como una minimización de W(P), que representa la inercia intraclases como función de una partición P. Finalmente, esto permitió comparar el rendimiento de los algoritmos en diversos conjuntos de datos.
En este artículo se comparan dos estrategias alternativas para la generación de vecinos en el algoritmo de sobrecalentamiento simulado. La primera corresponde a la transferencia de objetos de una clase a otra. La segunda, realiza el movimiento de individuos artificiales (llamados centroides) que representan a las clases. La comparación se realizó en el contexto del problema de optimización combinatoria de clasificación de datos cuantitativos. Este problema fue planteado como una minimización de W(P), que representa la inercia intraclases como función de una partición P. Finalmente, esto permitió comparar el rendimiento de los algoritmos en diversos conjuntos de datos.