Resumen

El análisis de clustering se utiliza en muchas disciplinas y aplicaciones; es una herramienta importante que identifica de forma descriptiva grupos homogéneos de objetos basados en valores de atributos. El algoritmo de clustering de colonias de hormigas es un método inteligente de enjambre utilizado para problemas de clustering que se inspira en el comportamiento de las colonias de hormigas que agrupan sus cadáveres y ordenan sus larvas. Se propone un nuevo algoritmo de clustering de colonias de hormigas de abstracción que utiliza un mecanismo de combinación de datos para mejorar la eficiencia computacional y la precisión del algoritmo de clustering de colonias de hormigas. El algoritmo de agrupación de colonias de hormigas de abstracción se utiliza para agrupar problemas de referencia, y su rendimiento se compara con el algoritmo de agrupación de colonias de hormigas y otros métodos utilizados en la literatura existente. Sobre la base de dificultades y complejidades computacionales similares, los resultados muestran que el algoritmo de clustering de colonias de hormigas de abstracción produce resultados que no sólo son más precisos, sino también más eficientes que el algoritmo de clustering de colonias de hormigas y los otros métodos. Por lo tanto, el algoritmo de clustering de colonias de hormigas de abstracción puede ser utilizado para el clustering eficiente de datos multivariados.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:abstracción colonia de hormigas, colonia de hormigas, algoritmo, dificultad computacional similar, grupo de objeto, mecanismo de combinación de datos, datos multivariados eficientes, valor de atributos, eficiencia computacional, resultados
• Keywords:abstraction ant colony, ant colony, algorithm, similar computational difficulty, group of object, data combination mechanism, efficient multivariate data, attribute value, computational efficiency, results