Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 107,533,989

 Hybrid multi-objective metaheuristic and possibilistic intuitionistic fuzzy c-means algorithms for cluster analysis
Tác giả hoặc Nhóm tác giả: RJ Kuo, CC Hsu, Thi Phuong Quyen Nguyen, CY Tsai
Nơi đăng: Soft Computing; Số: xx;Từ->đến trang: xx;Năm: 2023
Lĩnh vực: Khoa học công nghệ; Loại: Bài báo khoa học; Thể loại: Quốc tế
TÓM TẮT
ABSTRACT
This study proposes a hybrid multi-objective meta-heuristics and possibilistic intuitionistic fuzzy c-means (PIFCM) algorithms for cluster analysis. The PIFCM algorithms combine Atanassov’s intuitionistic fuzzy sets (IFSs) with possibilistic fuzzy c-means (PFCM) algorithms. In this study, three metaheuristic algorithms are used to improve the clustering results, specifically a genetic algorithm (GA), a particle swarm optimization (PSO) algorithm, and a gradient evolution (GE) algorithm. Therefore, three clustering algorithms are proposed, including multi-objective GA-based PIFCM (MOGA–PIFCM), multi-objective PSO-based PIFCM (MOPSO–PIFCM), and multi-objective GE-based PIFCM (MOGE–PIFCM). Their performance results are compared with those of other clustering algorithms, such as intuitionistic fuzzy c-means (IFCM) algorithm, possibilistic intuitionistic fuzzy c-means (PIFCM) algorithm, single-objective GA–PIFCM algorithm, single-objective PSO–PIFCM algorithm, and single-objective GE–PIFCM algorithm using 15 benchmark datasets. Adjusted Rand Index and accuracy measures are employed as performance indices for comparison. Experiment results shows that the MOGE–PIFCM obtains better solutions than the other clustering algorithms in terms of all performance validation indices.
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn