Evolutionary Clustering via Message Passing
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们通常对随时间演变的对象进行聚类,并为每个时间步确定聚类问题的解决方案感兴趣。演化聚类提供了对聚类演化和聚类成员的时间变化的洞察,同时使性能优于通过独立地对在不同时间点收集的数据进行聚类所实现的性能。在本文中,我们介绍了进化亲和传播(EAP),一个进化聚类算法,组数据点交换信息的因素图。EAP通过链接与相邻数据快照相关联的因子图的节点来促进聚类时间演进数据的解决方案的时间平滑性,并引入共识节点以实现集群跟踪和集群出生和死亡的识别。与现有的进化聚类方法不同,EAP需要额外的处理来近似聚类的数量或在时间上匹配它们,EAP确定聚类的数量并自动跟踪它们。通过仿真和实验数据与现有方法的比较,验证了该算法的有效性。
2019-12-27 cs.AI cs.LG cs.NE
Can Evolutionary Clustering Have Theoretical Guarantees?
Nanjing University(南京大学)
针对进化聚类缺乏理论支撑的问题,本文证明了多目标进化算法GSEMO求解四类经典聚类问题的近似性能有理论保证,且其在个体公平约束下的离散$k$-中位数聚类中也兼具目标与公平约束的理论近似保障。
2023-07-22 cs.LG cs.NE
A Many-Objective Evolutionary Algorithm With Two Interacting Processes: Cascade Clustering and Reference Point Incremental Learning
研究表明,在获得接近的同时保持多样性的多目标优化问题的困难。真实Pareto阵面的复杂性使得基于参考向量的算法在没有先验的情况下对不同特征的适应性不足。提出了一种多目标优化算法,该算法包含两个相互作用的过程:级联聚类和参考点增量学习。在基于级联聚类(CC)的种群选择过程中,利用基于增量学习的过程提供的参考向量,对非支配和支配个体进行级联式聚类和排序,并通过循环法进行选择,以获得更好的接近性和多样性。在基于参考点增量学习的参考向量自适应过程中,利用基于CC的过程反馈,通过增量学习逐步获得参考点的合理分布。几个基准问题的实验研究表明,CLIA是有竞争力的国家的最先进的算法相比,具有令人印象深刻的效率和通用性,只使用两个过程之间的相互作用,而不会招致额外的评价。
2019-08-20 cs.NE
Real-Valued Evolutionary Multi-Modal Optimization driven by Hill-Valley Clustering
基于模型的进化算法(EA)使底层搜索模型适应手头问题的特征,例如问题变量之间的联系。EA的性能往往恶化的多个模式在健身景观建模与单峰搜索模型。然而,模式的数量通常是先验未知的,特别是在黑盒设置中,这使得搜索模型的适应变得复杂。在这项工作中,我们专注于模型,可以适应多模态的健身景观。具体来说,我们引入山谷聚类,一个非常简单的方法,自适应集群的小生境中的搜索空间,这样一个单一的模式驻留在每个小生境。在每个定位的小生境中,初始化核心搜索算法以优化该小生境。结合EA和重新启动计划,由此产生的山谷EA(HillVallEA)相比,目前国家的最先进的小生境方法的标准基准套件多模态优化。在检测到的全局最优值的数量方面的数值结果表明,尽管它的简单性,HillVallEA是有竞争力的基准套件的有限的预算内,并显示出优越的性能,从长远来看。
2018-10-16 cs.NE
Integrating Chaotic Evolutionary and Local Search Techniques in Decision Space for Enhanced Evolutionary Multi-Objective Optimization
本文针对单目标多模态和多目标优化问题,提出结合混沌演化与小生境技术的CEDC和CECA算法,并扩展出包含不确定性选择和自适应调参的综合框架,显著提升了优化精度与鲁棒性。
2024-11-12 cs.NE
A Novel Cluster Detection of COVID-19 Patients and Medical Disease Conditions Using Improved Evolutionary Clustering Algorithm Star
随着样本数量的增加,COVID-19和医学疾病数据样本的手动聚类变得耗时,需要高度熟练的劳动力。最近,一些算法已被用于聚类医疗数据集确定性,但是,这些定义并没有有效的分组和分析医学疾病。使用进化聚类算法可能有助于有效地聚类这些疾病。基于这一假设,我们以三种方式改进了当前的进化聚类算法星(ECA*),称为iECA*:(i)利用肘方法找到正确的聚类数量;(ii)作为iECA* 的一部分清理和处理数据,将其应用于多变量和领域理论数据集;(iii)将iECA* 用于COVID-19和医疗疾病数据集聚类的实际应用。我们进行了实验,使用性能和验证措施(验证措施、统计基准测试和性能排名框架)来检查iECA* 相对于最先进算法的性能。结果显示了三个主要发现。首先,iECA* 在根据聚类验证标准对所选医学疾病数据集进行分组方面比其他算法更有效。其次,与当前分析的聚类方法相比,iECA* 在对所有数据集进行聚类时表现出更低的执行时间和内存消耗。第三,提出了一个操作框架,以评估iECA* 与其他算法在所分析的数据集中的有效性,结果表明,iECA* 在聚类所有医疗数据集方面表现出最好的性能。需要对包含复杂知识领域的真实多维数据进行进一步研究,以便与进化算法相比对iECA* 进行实验验证。
2021-09-20 cs.CY cs.NE q-bio.QM
Real-valued Evolutionary Multi-modal Multi-objective Optimization by Hill-Valley Clustering
在基于模型的进化算法(EA)中,底层搜索分布适应手头的问题,例如基于决策变量之间的依赖关系。山谷聚类是一种自适应小生境方法,其中一组解决方案被聚类,使得每个聚类对应于适应度景观中的单个模式。这可以用于使EA的搜索分布适应模式的数量,分别探索每个模式。特别是在黑盒设置,其中模式的数量是先验未知的,一个自适应的方法是必不可少的良好的性能。在这项工作中,我们引入多目标山谷聚类,并将其与MAMaLGaM,多目标EA,到多目标山谷EA(MO-HillVallEA)。我们的经验表明,MO-HillVallEA优于MAMaLGaM和其他知名的多目标优化算法的一组基准函数。此外,也许是最重要的,我们表明,MO-HillVallEA是能够获得和维护多个近似集同时随着时间的推移。
2020-10-28 cs.NE math.OC
Fuzzy Clustering to Identify Clusters at Different Levels of Fuzziness: An Evolutionary Multi-Objective Optimization Approach
Indian Statistical Institute(印度统计研究所)
针对模糊聚类模糊度参数需适配应用的问题,提出熵c均值方法,通过NSGA-II和MOEA/D优化两个矛盾目标以生成不同模糊度聚类,还提出帕累托前沿折中选择法,实验证明其聚类检测效果优于传统及现有多目标模糊聚类方法。
2018-08-09 cs.LG cs.NE
Composing photomosaic images using clustering based evolutionary programming
City University of Hong Kong(香港城市大学)
摄影图像是一种由各种微小图像组成的图像。一个完整的形式可以清楚地看到它从很远的距离。从很短的距离观察,可以清楚地看到取代原始图像块的小的微小图像。在过去,已经提出了许多算法,试图自动合成的photomochemical图像。这些算法大多采用贪心算法来匹配小块图像。为了获得更好的视觉效果和满足某些商业需求,通常会添加一个约束,即一个微小的图像不应该被重复使用多次。在此约束条件下,光优化问题就变成了一个组合优化问题。进化算法模仿自然选择的过程,在组合优化问题中得到了广泛的应用。然而,很少有人将进化算法应用于光成像问题。在本文中,我们提出了一种算法称为聚类进化规划来处理这个问题。我们给优化算法的先验知识,使优化过程收敛更快。在我们的实验中,所提出的算法与最先进的算法和软件进行了比较。结果表明,我们的算法性能最好。
2018-04-09 cs.CV cs.NE
Triclustering of Gene Expression Microarray data using Evolutionary Approach
在三聚类中,正在创建一个子矩阵,该子矩阵在基因、条件和时间点方面表现出高度相似的行为。在该技术中,在某些条件下,在一些时间点片段中发现具有相同表达值的基因。在本文中,三聚使用进化算法实现了一个新的适应度函数组成的三维均方残差(MSR)和最小二乘近似(LSL)。其主要目标是找到具有最小重叠、低MSR、低LSL且几乎覆盖表达式矩阵的每个元素的三聚体,从而最小化总体适应值。为了改善算法的结果,引入了新的适应度函数来寻找高质量的三簇。从实验中观察到,使用EA的三簇产生了良好质量的三簇。实验在酵母菌数据集上进行。索引项-三聚类,遗传算法,均方残差,体积,权重,最小二乘逼近。
2018-05-14 cs.NE
Evolutionary Biclustering of Clickstream Data
双聚类是一种双向聚类方法,涉及沿着数据矩阵的两个维度同时聚类。发现Web对象(即Web用户和Web页面)的双聚类是Web使用挖掘中的一个新兴课题。它克服了与传统的聚类方法,允许自动发现的浏览模式的基础上的一个子集的属性。点击流数据的相干双聚类是局部浏览模式,使得双聚类中的用户通过网站的页面的子集表现出相关的浏览模式。本文提出了一种新的Web数据双聚类应用,使用K均值、贪婪搜索过程和遗传算法等启发式和元启发式方法的组合来识别连贯的浏览模式。实验在UCI库的clickstream msnbc数据集上进行。实验结果表明,该方法能有效地将Web站点的用户和页面高度关联起来,在从Web数据中发现高度重叠的相干双聚类时表现出良好的性能。
2011-06-12 cs.NE
Clustering-based Transfer Learning for Dynamic Multimodal MultiObjective Evolutionary Algorithm
School of Automation and Electrical Engineering, Zhongyuan University of Technology(中原文理大学自动化与电气工程学院);School of Electrical Engineering, Zhengzhou University(郑州大学电气工程学院)
本文提出基于聚类的自编码器预测机制,用于动态多模态多目标优化,通过构建基准测试函数和自适应尼奇策略,提升种群多样性和收敛性。
2025-12-22 cs.AI cs.NE
Performance evaluation results of evolutionary clustering algorithm star for clustering heterogeneous datasets
Kurdistan Institution for Strategic Studies and Scientific Research(库尔德斯坦战略研究与科学研究所);University of Kurdistan Hewler(库尔德斯坦赫勒大学);Sulaimani Polytechnic University(苏莱曼尼亚理工大学);Torrens University(托伦斯大学);Yonsei University(延世大学)
本文介绍了用于评估性能的进化聚类算法星(ECA*)相比,五个传统的和现代的聚类算法的数据。采用两种实验方法来检验ECA* 与遗传算法在聚类++(GENCLUST++)、学习向量量化(LVQ)、期望最大化(EM)、K-means++(KM++)和K-means(KM)中的性能。这些算法被应用到32个异构和多特征的数据集,以确定哪一个在三个测试中表现良好。一方面,本文使用聚类评价方法研究了ECA* 算法与相应算法的效率矛盾。这些验证标准是目标函数和聚类质量度量。另一方面,提出了一个性能评价框架,用来衡量这些算法对varos数据集特征(簇维数、簇数目、簇重叠、簇形状和簇结构)的性能敏感性。这些实验的贡献是双重的:(i)ECA* 在找出正确的聚类数的能力上超过了它的对应算法;(ii)与它的竞争技术相比,ECA* 对数据集特征的敏感性较低。尽管如此,实验结果表明,在ECA* 的一些限制:(i)ECA* 没有完全应用的前提下,没有先验知识存在;(ii)适应和利用ECA* 在几个实际应用尚未实现。
2021-04-30 cs.AI cs.LG cs.NE
An Effective Evolutionary Clustering Algorithm: Hepatitis C Case Study
聚类分析在科学研究和商业应用中起着重要的作用。K-means算法是聚类分析中一种广泛使用的划分方法。然而,众所周知,K-means算法可能会卡在次优解上,这取决于初始聚类中心的选择。本文提出了一种处理大规模数据的技术,该技术利用遗传算法有目的地选择初始聚类中心,降低对孤立点的敏感性,避免分割大的聚类,并在一定程度上克服了由于采用多采样而导致的数据划分不均衡所造成的数据偏差。我们将我们的方法应用于一些公共数据集,这些数据集显示了所提出的方法的优点,例如来自加州大学机器学习仓库的丙型肝炎数据集。我们的目标是评估肝炎数据集。为了评估这个数据集,我们做了一些预处理操作,预处理的原因是总结数据的最佳和适合我们的算法的方式。利用局部均值法对实例的缺失值进行调整。
2014-02-27 cs.CE cs.NE
AdaptiveMDL-GenClust: A Robust Clustering Framework Integrating Normalized Mutual Information and Evolutionary Algorithms
Azad University(阿扎德大学)
针对单一聚类方法存在局限、难以适配多样数据集的问题,提出融合MDL原理与遗传算法的AdaptiveMDL-GenClust鲁棒聚类框架,经13个基准数据集验证,其准确率、稳定性等指标均优于传统方法。
2024-12-12 cs.LG cs.NE
Reference Vector Adaptation and Mating Selection Strategy via Adaptive Resonance Theory-based Clustering for Many-objective Optimization
针对多目标优化中参考向量自适应未充分利用拓扑结构且聚类性能有限的问题,提出基于自适应共振理论聚类的进化算法,同时用于参考向量自适应和交配选择,并在78个测试问题上优于8种主流MOEAs。
2022-05-04 cs.NE
A Multi-disciplinary Ensemble Algorithm for Clustering Heterogeneous Datasets
Kurdistan Institution for Strategic Studies and Scientific Research(库尔德斯坦战略研究与科学研究机构);University of Kurdistan Hewler(库尔德斯坦赫勒大学);Sulaimani Polytechnic University(苏莱曼尼理工大学)
聚类是一种常用的探索和分析数据的方法,其主要目标是将观察结果归类为相似的聚类。近几十年来,已经开发了一些算法和方法来分析聚类数据。我们注意到,这些技术中的大多数基于同质和单一特征数据集的属性值、距离和密度来确定性地定义聚类。然而,这些定义并没有成功地为所产生的聚类添加明确的语义含义。进化算子和统计及多学科技术可能有助于产生有意义的集群。在此基础上,我们提出了一种新的进化聚类算法(ECAStar)的基础上的社会阶层排名和元启发式算法的随机分析异构和多特征的数据集。ECAStar集成了重组进化算子、Levy飞行优化和一些统计技术,如四分位数和三分位数,以及K均值算法的欧氏距离。实验进行评估的ECAStar对五个传统的方法:K-均值(KM),K-meansPlusPlus(KMPlusPlus),期望最大化(EM),学习向量量化(LVQ),和遗传算法clusteringPlusPlus(GENCLUSTPlusPlus)。
2021-01-01 cs.LG cs.NE
An ensemble based on a bi-objective evolutionary spectral algorithm for graph clustering
Instituto de Ciência e Tecnologia, Universidade Federal de São Paulo(圣保罗联邦大学科学与技术学院)
图聚类是一个具有挑战性的模式识别问题,其目标是识别具有高组内连通性的顶点划分。本文研究了一个双目标问题,即最大化一个图的簇内边数和最小化一个具有与原始图相同度序列的随机图的期望簇间边数。这两个研究目标之间的区别是图聚类质量的著名度量的定义:模块化。我们引入了一个频谱分解杂交进化的启发式,称为MOSpecG,接近这个双目标的问题和集成策略,巩固MOSpecG到一个最终的强大的分区的解决方案。真实和人工LFR网络的计算实验的结果表明,所介绍的方法的结果和性能的显着改善,在文献中发现的另一个双目标算法。基于模块化最大化问题的几何解释的交叉算子匹配一对个体的社区对于MOSpecG的良好性能至关重要。混合谱图理论和智能系统使我们能够定义显着高质量的社区结构。
2019-09-08 cs.LG cs.NE cs.SI
Efficient Discrete Physics-informed Neural Networks for Addressing Evolutionary Partial Differential Equations
针对演化偏微分方程,提出使用隐式时间差分和迁移学习的离散物理信息神经网络,强制时间因果性,提升精度与效率4-40倍。
2023-12-22 cs.NE
Clustering of Complex Networks and Community Detection Using Group Search Optimization
群体搜索优化算法(GSO)是进化计算领域中的一个新兴算法,也是进化计算领域中最优秀的算法之一。它是一种非常健壮和高效的算法,灵感来自动物的搜索行为。本文描述了GSO在网络聚类中的应用。我们已经测试了GSO对五个标准的基准数据集,GSO算法被证明是非常有竞争力的精度和收敛速度。
2013-08-19 cs.DS cs.NE
Evolutionary Dataset Optimisation: learning algorithm quality through evolution
在本文中,我们提出了一种新的方法来学习算法如何执行。传统上,算法是在有限数量的现有(或新模拟的)基准数据集上基于一些固定的度量进行比较的。具有该度量的最小值的算法被选为“性能最佳”的算法。我们提供了一种新的方法来扭转这种模式。相反,我们的目标是通过遗传进化生成人工数据来获得算法性能的更丰富的图片,其目的是创建特定算法在给定度量上表现良好的数据集群体。可以研究这些数据集,以便了解哪些属性导致给定算法的特定进展。下面的算法的详细描述,以及一个开源实现的简要说明,聚类的案例研究。这个案例研究展示了我们称之为进化数据集优化的方法的性能和细微差别。在这项研究中,在生成的数据集中实现了一些已知的属性,优选的数据集的聚类算法称为(k)-均值和DBSCAN。
2019-10-31 cs.DS cs.NE
EPNE: Evolutionary Pattern Preserving Network Embedding
Peking University(北京大学);The Hong Kong University of Science and Technology(香港科技大学)
信息网络无处不在,是关系数据建模的理想选择。由于网络的稀疏性和不规则性,网络嵌入算法引起了众多研究者的关注,提出了大量的静态网络嵌入算法。然而,在现实生活中,网络会随着时间的推移而不断发展。因此,进化模式,即节点如何随着时间的推移发展自己,将作为嵌入网络中静态结构的有力补充,相对较少的作品关注。在本文中,我们提出了EPNE,一个时间网络嵌入模型保持局部结构的节点的演化模式。特别是,我们分析了进化模式的周期性和不周期性和设计策略,相应地在时间-频率域的因果卷积的基础上,这样的模式。此外,我们提出了一个时间的目标函数,同时优化与邻近的,这样的时间和结构信息被保存。通过对时间信息的充分建模,我们的模型能够在各种预测任务中优于其他竞争方法。
2020-09-24 cs.LG cs.NE cs.SI
Evolutionary Algorithms for Reinforcement Learning
University of Southern California(南加州大学);Information Sciences Institute(信息科学研究所);Naval Research Laboratory(美国海军研究实验室);George Mason University(乔治梅森大学)
有两种不同的方法来解决强化学习问题,即在价值函数空间中搜索和在策略空间中搜索。时间差分方法和进化算法是这些方法的众所周知的例子。Kaelbling,Littman和Moore最近提供了一个翔实的调查时间差异的方法。这篇文章的重点是应用进化算法的强化学习问题,强调替代政策表示,信用分配方法,和特定问题的遗传算子。强化学习的进化方法的优点和缺点,以及代表性的应用调查。
2011-06-01 cs.AI cs.LG cs.NE
Map Segmentation by Colour Cube Genetic K-Mean Clustering
由不同类型的纹理区域组成的彩色图像的分割可能是一个困难的问题,即当图像包含相似和/或不稳定的纹理场时,计算精确的纹理场并确定图像中分割区域的最佳数量。在这项工作中,描述了一种方法,为这些问题的发展自适应程序。在许多现实世界的应用数据聚类构成一个基本问题时,行为或功能域可以映射到拓扑域。我们制定了这样的图像分割问题作为一个优化问题,并采用进化策略的遗传算法的颜色特征空间中的小区域的聚类。本方法使用k-Means无监督聚类方法到遗传算法中,即用于引导这最后的进化算法在他的搜索中找到最优或次优的数据分区,任务,正如我们所知,需要一个非平凡的搜索,因为它的NP完全性质。为了解决这个问题,适当的遗传编码也进行了讨论,因为这是一个关键方面的实施。我们的目的是证明遗传算法的自动和无监督的纹理分割的效率。在彩色地图的一些例子和讨论的总体结果。关键词:遗传算法,人工神经持续,动态变异率,快速收敛,彩色图像分割,分类,聚类。
2004-12-17 cs.AI cs.NE
Learning Features and their Transformations by Spatial and Temporal Spherical Clustering
University of Memphis(孟菲斯大学)
学习对数据中的任意变换不变的特征是任何生物或人工识别系统的要求。现在人们普遍认为,初级视觉皮层中的简单细胞对特征做出反应,而复杂细胞对不同变换不变的特征做出反应。我们提出了一种新的两层前馈神经模型,它通过空间球形聚类学习第一层中的特征,通过时间球形聚类学习第二层中的变换不变性。学习以在线和无监督的方式发生,遵循Hebbian规则。当暴露于安装在猫头上的摄像头获取的自然视频时,我们模型中的第一层和第二层神经元会产生简单和复杂的细胞样感受野特性。该模型可以通过学习第一层神经元之间的横向连接来进行预测。它们的空间特征的地形图通过在第一层中从一个神经元到另一个神经元的距离指数衰减激活流而出现,这些神经元在时间上非常接近,从而在特征学习的同时以在线方式最小化池化长度。
2013-08-10 cs.AI cs.CV cs.LG