DOI: https://doi.org/10.1038/s41598-024-55619-z
PMID: https://pubmed.ncbi.nlm.nih.gov/38443569
تاريخ النشر: 2024-03-05
المؤلف: M. Premkumar وآخرون
الموضوع الرئيسي: أبحاث خوارزميات التحسين الميتاهيرستية
نظرة عامة
تقدم هذه الدراسة المحسن القائم على تجميع K-means المعروف باسم KCGWO، وهو نسخة محسنة من المحسن التقليدي للذئب الرمادي (GWO) يهدف إلى تحسين كفاءة تجميع البيانات. يدمج KCGWO مبادئ خوارزمية K-means ويقدم عامل وزن ديناميكي لتعزيز قدرات الاستكشاف والاستغلال لـ GWO، والتي غالبًا ما تكون غير كافية لتجميع فعال. تم اختبار الخوارزمية بدقة على عشرة دوال عددية ومجموعات بيانات حقيقية متنوعة، مما يظهر أداءً متفوقًا في تحديد حلول التجميع المثلى، حيث حققت مراكز تجمع عالية الجودة في عدد أقل من التكرارات مقارنةً بـ GWO القياسي.
تؤكد النتائج على الآثار النظرية والعملية لـ KCGWO، مما يثري مشهد الخوارزميات الميتاهيرستية من خلال دمج تقنيات التجميع التقليدية مع استراتيجيات التحسين الحديثة. تعزز هذه التكامل التوازن بين الاستكشاف والاستغلال، وهو أمر حاسم لحل المشكلات المعقدة. قدرة KCGWO على ضبط حركات السرب ودمج عوامل الوزن تؤدي إلى تحسين التنوع وزيادة القدرة على الهروب من الأمثل المحلي، مما يجعلها قيمة بشكل خاص للتطبيقات في التعرف على الصور، وتقسيم السوق، وتحليل البيانات البيولوجية. بشكل عام، يمثل KCGWO تقدمًا كبيرًا في منهجيات تجميع البيانات، حيث يقدم حلولًا سريعة ودقيقة ضرورية لاتخاذ قرارات فعالة في سياق البيانات الضخمة.
النتائج
تظهر نتائج الدراسة أن المحسن القائم على تجميع K-means (KCGWO) المقترح يعزز بشكل كبير أداء المحسن الأصلي للذئب الرمادي (GWO) عبر مهام تحسين عددية وتجميع بيانات متنوعة. تم اختبار KCGWO ضد عشرة دوال مرجعية، بما في ذلك الميزات أحادية ومتعددة الأبعاد، وتمت مقارنته بعدة خوارزميات مثل MFO و SSA و MVO و ASO و PSO و JAYA و GWO الأصلي. تشير النتائج إلى أن KCGWO تفوق باستمرار على جميع الخوارزميات الأخرى، خاصة في السيناريوهات أحادية الأبعاد (F1-F4)، حيث حقق أفضل قيم ملاءمة ومؤشرات استقرار. أدى دمج تجميع K-means وعوامل الوزن إلى تحسين قدرات الاستكشاف والاستغلال للخوارزمية، مما سمح لها بالتنقل بفعالية في مشاهد الحلول المعقدة وتجنب الأمثل المحلي.
فيما يتعلق بتجميع البيانات، تم تقييم KCGWO على ثمانية مجموعات بيانات، بما في ذلك بيانات صناعية وحقيقية. أظهرت النتائج أن KCGWO تفوق في تحديد التجمعات، حتى في السيناريوهات ذات الكثافة العالية والتداخل، متفوقًا على الطرق التقليدية مثل K-means ونماذج المزيج الغاوسي (GMM). كشفت التحليلات الإحصائية أن KCGWO حقق أفضل القيم الدنيا عبر جميع مجموعات البيانات وأظهر موثوقية متفوقة، كما يتضح من انخفاض قيم الانحراف المعياري. كانت خصائص التقارب لـ KCGWO أيضًا مواتية، مع ملاحظة تقارب سريع مقارنةً بالخوارزميات الأخرى. بشكل عام، أدى دمج تجميع K-means وعوامل الوزن في إطار GWO إلى تحسين ملحوظ في أداء التحسين والتجميع، مما يثبت فعالية التعديلات المقترحة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الفجوات البحثية الحالية في تطبيق المحسن للذئب الرمادي (GWO) لتجميع البيانات، وخاصة قيوده في الدقة وسرعة التقارب. على الرغم من فعالية GWO في مهام التحسين المختلفة، إلا أنه يعاني من التقارب المبكر والحفاظ على توازن بين الاستكشاف والاستغلال، وهو أمر حاسم لتحقيق نتائج تجميع عالية الجودة، خاصة في مجموعات البيانات المعقدة. تشير مراجعة الأدبيات إلى وجود فجوة ملحوظة في دمج GWO مع تقنيات التجميع الكلاسيكية مثل K-means، مما قد يعزز الأداء من خلال الاستفادة من نقاط القوة في كلا النهجين.
لمعالجة هذه القيود، يقترح المؤلفون خوارزمية هجينة جديدة، وهي المحسن القائم على تجميع K-means (KCGWO). تجمع هذه الخوارزمية بين القدرات التكيفية لـ GWO وكفاءة تجميع K-means، مقدمة عامل وزن ديناميكي لضبط توازن الاستكشاف والاستغلال طوال عملية التحسين. يهدف KCGWO إلى تحسين أداء التجميع من خلال تحسين الحلول الأولية عبر K-means وضبط استراتيجية البحث ديناميكيًا، مما يمنع التقارب المبكر. يتم التحقق من أداء KCGWO من خلال اختبارات شاملة على مجموعات بيانات مرجعية، مما يظهر قدرته المتفوقة على التنقل بكفاءة في مساحة الحلول وتحديد مراكز التجمع المثلى. ومع ذلك، يعترف المؤلفون بالقيود المحتملة، بما في ذلك الحساسية لموقع centroid الأولي في K-means، وتعقيد ضبط المعلمات، والتحديات في التعامل مع الضوضاء والشواذ في مجموعات البيانات. تشير هذه الاعتبارات إلى طرق للبحث المستقبلي لتعزيز متانة وقابلية توسيع KCGWO في تطبيقات التجميع المتنوعة.
DOI: https://doi.org/10.1038/s41598-024-55619-z
PMID: https://pubmed.ncbi.nlm.nih.gov/38443569
Publication Date: 2024-03-05
Author(s): M. Premkumar et al.
Primary Topic: Metaheuristic Optimization Algorithms Research
Overview
This study introduces the K-means clustering-based grey wolf optimizer (KCGWO), an enhanced version of the conventional grey wolf optimizer (GWO) aimed at improving data clustering efficiency. The KCGWO integrates the principles of the K-means algorithm and introduces a dynamic weight factor to bolster the exploration and exploitation capabilities of GWO, which are often inadequate for effective clustering. The algorithm was rigorously tested on ten numerical functions and various real-world datasets, demonstrating superior performance in identifying optimal clustering solutions, achieving high-quality cluster centers in fewer iterations compared to the standard GWO.
The findings underscore the theoretical and practical implications of the KCGWO, enriching the landscape of metaheuristic algorithms by merging traditional clustering techniques with modern optimization strategies. This integration enhances the balance between exploration and exploitation, crucial for solving complex problems. The KCGWO’s ability to adjust swarm movements and incorporate weight factors leads to improved diversity and a greater capacity to escape local optima, making it particularly valuable for applications in image recognition, market segmentation, and biological data analysis. Overall, the KCGWO represents a significant advancement in data clustering methodologies, offering rapid and accurate solutions essential for effective decision-making in the context of Big Data.
Results
The results of the study demonstrate that the proposed K-means Clustering-based Grey Wolf Optimizer (KCGWO) significantly enhances the performance of the original Grey Wolf Optimizer (GWO) across various numerical optimization and data clustering tasks. The KCGWO was tested against ten benchmark functions, including both unimodal and multimodal features, and compared with several algorithms such as MFO, SSA, MVO, ASO, PSO, JAYA, and the original GWO. The findings indicate that KCGWO consistently outperformed all other algorithms, particularly in unimodal scenarios (F1-F4), where it achieved the best fitness values and stability indices. The incorporation of K-means clustering and weight factors improved the algorithm’s exploration and exploitation capabilities, allowing it to effectively navigate complex solution landscapes and avoid local optima.
In terms of data clustering, KCGWO was evaluated on eight datasets, including both synthetic and real-world data. The results showed that KCGWO excelled in identifying clusters, even in high-density and overlapping scenarios, outperforming traditional methods like K-means and Gaussian Mixture Models (GMM). Statistical analyses revealed that KCGWO achieved the best minimum values across all datasets and demonstrated superior reliability, as indicated by lower standard deviation values. The convergence characteristics of KCGWO were also favorable, with rapid convergence observed in comparison to other algorithms. Overall, the integration of K-means clustering and weight factors into the GWO framework has led to a notable enhancement in its optimization and clustering performance, validating the effectiveness of the proposed modifications.
Discussion
The discussion section of the research paper highlights the existing research gaps in the application of the Grey Wolf Optimizer (GWO) for data clustering, particularly its limitations in precision and convergence speed. Despite GWO’s effectiveness in various optimization tasks, it struggles with premature convergence and maintaining a balance between exploration and exploitation, which are crucial for high-quality clustering outcomes, especially in complex datasets. The literature review indicates a notable gap in integrating GWO with classical clustering techniques like K-means, which could enhance performance by leveraging the strengths of both approaches.
To address these limitations, the authors propose a novel hybrid algorithm, the K-means Clustering-based Grey Wolf Optimizer (KCGWO). This algorithm combines the adaptive capabilities of GWO with the efficiency of K-means clustering, introducing a dynamic weight factor to adjust the exploration-exploitation balance throughout the optimization process. The KCGWO aims to improve clustering performance by refining initial solutions through K-means and dynamically adjusting the search strategy, thereby preventing premature convergence. The performance of KCGWO is validated through extensive testing on benchmark datasets, demonstrating its superior capability in efficiently navigating the solution space and locating optimal cluster centers. However, the authors acknowledge potential limitations, including sensitivity to initial centroid positioning in K-means, the complexity of parameter tuning, and challenges in handling noise and outliers in datasets. These considerations suggest avenues for future research to enhance the robustness and scalability of KCGWO in diverse clustering applications.