|
Таблица 2.8 Результаты кластеризации К ластеры Разбиение объектов на кластеры при с = 4 Разбиение объектов на кластеры при с —6 Кластер 1 5 5 К ластер 2 6 ,7 ,9 6 ,9 Кластер 3 4, 8,10 7 К ластер 4 1 ,2 ,3 4, 8,10 Кластер 5 2 Кластер 6 1,3 Результаты кластеризации при с = 4, 6 приведены в таблице 2.8. Каквидно из таблицы 2.8 при увеличении количества кластеров от 4 до 6 произошло разукрупнение второго и четвертого кластеров: из каждого исходного кластера были получены по два новых кластера. На рисунках 2.19 и 2.20 показаны графические зависимости для оптимального количества кластеров и для значений показателя качества кластеризации (индекса Се Бени) соответственно при реализации ГА с хромосомой переменной длины. 2.9.3 Кластеризация множества объектов при реализации комбинированного метода возможностной кластеризации с использованием генетического алгоритма с постоянной длиной хромосомы Как было отмечено в п. 2.5, алгоритмы нечеткой кластеризации типа FCM-алгоритма на основе НМТ1 не всегда точно оценивают параметры центров кластеров, так как оценивают в первую очередь отделимость объектов, а не их типичность. Рассмотрим пример кластеризации множества объектов по двум элементам мониторинга с использованием РСМ-алгоритма на три кластера. Как видно из рисунка 2.21 множество объектов, оценки по элементам мониторинга которых приведены в таблице 2.9, формируют три «вертикальных» кластера, близко расположенных по отношению друг к другу (объекты первого, второго и третьего кластера помечены маркерами разного цвета и формы). При этом расстояние между двумя любыми соседними объектами по горизонтали больше расстояния между двумя любыми соседними объектами по вертикали. 127 |
го» здоровья составляет не меньше 98% от значения «среднего», равны 19 и 13 соответственно, а при кодировании хромосом степенями принадлежности объектов центрам кластеров номер поколения равен 9. Таким образом, можно существенно уменьшить время кластеризации, если при формулировании условия завершения расчетов использовать оценки значений «среднего» и «максимального» здоровья популяции. П.4.2 Кластеризация множества объектов с использованием комбинирования РСМ-алгоритма на основе нечетких множеств первого типа н генетического алгоритма Как было отмечено в ГЛАВЕ 4 (п. 4.5), алгоритмы нечеткой кластеризации типа FCM-алгоритма на основе 11МТ1 не всегда точно оценивают параметры центров кластеров, так как оценивают в первую очередь отделимость объектов, а не их типичность. Ниже приведен пример кластеризации множества объектов по двум критериям с использованием PFCM-алгоритма на три кластера. Как видно из рисунка 11.4.18 множество объек тов, оценки по критериям которых приведены в таблице ГГ.4.8, формируют три «вертикальных» кластера, близко расположенных по отношению друг к другу. При этом расстояние между двумя любыми соседними объектами по горизонтали больше расстояния между двумя любыми соседними объектами по вертикали. На рисунке П.4.18 объекты первого, второго и третьего кластера помечены маркерами разного цвета и формы. Для данною множества объектов использование КМНК при т = 2 не позволяет получить адекватные результаты кластеризации из-за проявления свойства кластерной относительности. В качестве функции соответствия для ГА использовалась целевая функция вида (4.2), минимальное значение которой составило 369,928920. 349 |