Urias Da Rosa Novaes

AGRUPAMENTO DE DADOS ATRAVS DE ALGORTMOS SWARM
Urias da Rosa Novaes
TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS

PROGRAMAS
DE
PS-GRADUAO
DE
ENGENHARIA
DA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS

REQUISITOS
NECESSRIOS
PARA
OBTENO
DO
GRAU
DE
MESTRE EM CINCIAS EM ENGENHARIA CIVIL.
Aprovada por:
______________________________________________________
Prof. Nelson Francisco Favilla Ebecken, DSc.
______________________________________________________
Prof. Helio Jos Correa Barbosa, DSc.
______________________________________________________
Prof. Alvaro Luiz Gayoso de Azeredo Coutinho, DSc.
RIO DE JANEIRO, RJ - BRASIL

DEZEMBRO DE 2002
NOVAES, URIAS DA ROSA

Agrupamento de Dados atravs de algoritmos Swarm [Rio de Janeiro] 2002
VII, 91p. 29,7 cm (COPPE/UFRJ, M.Sc.,
Engenharia Civil, Computao de Alto Desempenho,2002)
Tese - Universidade Federal do Rio de
Janeiro, COPPE
1. Agrupamento 2. Algoritmos Swarm
I. COPPE/UFRJ II.Ttulo(srie)
ii
Agradecimentos
Ao Professor Nelson Ebecken, pela orientao lcida, pelo apoio e
motivao nos momentos mais difceis ao longo do mestrado e sem os
quais esse trabalho no teria sido possvel.
Aos demais professores e funcionrios do Programa de Engenharia
Civil da COPPE por sua contribuio e apoio na minha vida acadmica.
Aos meus pais pela formao que me deram, capacitando-me a
enfrentar e superar desafios.
A
minha
famlia,
meus
queridos
filhos
Filipe
Tiago,
minha
querida esposa Elizabete, pelas alegrias que me proporcionam , e sem os

quais nenhum prazer teria graa e nenhum trabalho faria sentido.
iii
Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos

necessrios para a obteno do grau de Mestre em Cincias (M Sc.)
AGRUPAMENTO DE DADOS ATRAVS DE ALGORITMOS SWARM

Dezembro / 2002
Orientador: Nelson Francisco Favilla Ebecken

Programa: Engenharia Civil
processo
similares
uma
de
agrupar
importante
objetos
atividade
naturalmente desde a infncia.

aplicaes
em
vrias
reais
reas
ou
humana
abstratos
que
em
se
classes
desenvolve
Como uma atividade que encontra

importantes,
atualmente
se
desenvolvem
mtodos cientficos que permitam sua realizao de forma automatizada

com pouca ou nenhuma interveno humana.
assim
Algoritmos
Swarm
como
Algoritmos
uma
linha
Genticos,
da
computao
que
evolucionria,
baseados
em
modelos
encontrados na natureza, buscam solues para problemas de otimizao.

Este trabalho faz uma descrio geral das caractersticas e mtodos
empregados
no
tcnica
otimizao
de
problema
de
atravs
agrupamento,
de
descreve
algoritmos
swarm
detalhadamente
e
apresenta
a
o
desenvolvimento de operadores para o agrupamento de dados atravs de

algoritmos swarm.
eficincia
dos
So apresentados estudos de casos que demonstram a

algoritmos
swarm
agrupamento.
iv
para
resolver
problemas
de
Abstract of the Thesis
presented to COPPE/UFRJ as a partial fulfilment
of the requirements for the degree of Master of Sciences (M Sc.).
PARTICLE SWARM OPTIMIZATION FOR DATA CLUSTERING

December / 2002
Advisor: Nelson Francisco Favilla Ebecken

Department: Civil Engineering
The process of grouping real or abstract objects in similar classes

is
an
important
childhood.
important
As
areas,
human
activity
it
an
is
scientific
that
activity
methods
is
that
are
developed
finds
naturally
applications
developed
to
allow
since
in
it
the
several
to
be
performed in an automated way with little or no human intervention.

Particle Swarm Algorithms is a line of the evolutionary computation , as
well as Genetic Algorithms, that based on models found in the nature,
search for solutions for optimization problems.
This work makes a general description of the characteristics and methods
used
swarm
in
the
grouping
optimization
development
of
problem,
technique
operators
optimization algorithms.
for
or
clustering,
in
full
data
it
detail
clustering
describes
and
through
the
particle
presents
particle
the
swarm
The efficiency of particle swarm optimization
to solve clu stering problems is demonstrated through studies of cases.
ndice
1 . 0 I n t r o d u o ................................ ................................ ................................ ..................1
2 . 0 O p r o b l e m a d e A g r u p a m e n t o ................................ ................................ ...................3

2 . 1 T i p o s d e a t r i b u t o s e m p r o b l e m a s d e a g r u p a m e n t o ................................ ...............5
2 . 1 . 1 A t r i b u t o s n u m r i c o s ................................ ................................ ........................ 5
2 . 1 . 2 A t r i b u t o s b i n r i o s ................................ ................................ ............................ 8
2 . 1 . 3 A t r i b u t o s n o m i n a i s ................................ ................................ ..........................9
2 . 1 . 4 A t r i b u t o s o r d i n a i s ................................ ................................ ..........................10
2 . 1 . 5 A t r i b u t os m i s t o s ................................ ................................ ............................ 11
2 . 2 C o n c e i t u a o g e r a l d e m t o d o s d e a g r u p a m e n t o ................................ ...............13
2 . 2 . 1 M t o d o s b a s e a d o s e m p a r t i c i o n a m e n t o ................................ ........................ 13
2 . 2 . 2 M t o d o s h i e r r q u i c o s ................................ ................................ .................... 14
2 . 2 . 3 M t o d o s b a s e a d o s e m d e n s i d a d e ................................ ................................ ...14
2 . 2 . 4 M t o d o s b a s e a d o s e m e s t r u t u r a s e m g r a d e ................................ ..................14
2 . 2 . 5 M t o d o s b a s e a d o s e m m o d e l o s ................................ ................................ ..... 15
2 . 3 C a r a c t e r s t i c a s d e p r o b l e m a s d e a g r u p a m e n t o................................ ...................15
3 . 0 A l g o r i t m o s E v o l u c i o n r i o s : u m a v i s o g e r a l ................................ .......................17
3 . 1 A l g o r i t m o s G e n t i c o s ................................ ................................ ...........................18
3 . 2 A l g o r i t m o s S w a r m ................................ ................................ ................................ . 19
4 . 0 C o n c e i t o s F u n d a m e n t a i s e m p r e g a d o s e m A l g o r i t m o s S w a r m ...........................21
4 . 1 R e p r e s e n t a o v e t o r i a l d o d e s l o c a m e n t o d o s i n d i v d u o s ................................ ...22
4 . 2 F u n o o b j e t i v o ................................ ................................ ................................ .... 23
4 . 3 T i p o s d e t o p o l o g i a ................................ ................................ ................................ 23
4 . 3 . 1 E m E s t r e l a ( t a m b m d e n o m i n a d o : g b e s t )................................ ..................... 24
4.3.2 Em Roda ................................ ................................ ................................ ......... 24
4 . 3 . 3 E m C r c u l o ( t a m b m d e n o m i n a d o : l b e s t ) ................................ ..................... 25
4 . 3 . 4 R a n d m i c a ................................ ................................ ................................ ......26
5 . 0 E s t u d o d e C a s o s................................ ................................ ................................ .......28
5 . 1 F u n o m a t e m t i c a c o n t n u a c o m v r i o s m x i m o s l o c a i s ................................ ..28
5 . 2 P a d r o d e b i t s ................................ ................................ ................................ .......32
vi
5 . 3 C o n j u n t o d e d a d o s R u s p i n i ................................ ................................ ................ 36

5 . 4 C o n j u n t o d e d a d o s c a r a c t e r s t i c o s d a f l o r e s I r i s ................................ ...............43
5 . 5 C o n j u n t o d e d a d o s d e d o e n a c a r d a c a ................................ ...............................47
6 . 0 C o n c l u s o ................................ ................................ ................................ ................. 49
7 . R e f e r n c i a s B i b l i o g r f i c a s ................................ ................................ .......................52
A n e x o 1 - D a d o s d o c o n j u n t o I r i s ................................ ................................ ................ 53
A n e x o 2 - Pseudo - c d i g o d a i m p l e m e n t a o d o a l g o r i t m o ................................ .......56
A n e x o 3 - P r o g r a m a s f o n t e ................................ ................................ ...........................57
vii
1.0 Introduo
O
aumento
da
capacidade
computadores
criou
as
Evolucionria,
permitindo
bases
velocidade
para
que
uso
diversas
de
processamento
efetivo
reas
da
da
dos
Computao
cincia
possam
se
beneficiar de uma tcnica simples e eficiente na soluo de problemas

que envolvam otimizao e busca.
Esses benefcios so mais expressivos
para resoluo de problemas de otimizao no lineares, onde os mtodos

tradicionais so bem mais complexos e eventualmente menos eficientes.
Tcnicas
de
computao
evolucionria
solu es
que
iterativamente
so
partem
testadas
de
um
evoluem
conjunto
atravs
de
de
um
processo geralmente modelado a partir de um processo da natureza.
processo modelado tende a melhorar as solues aproximando assim a

melhor soluo obtida da soluo tima para o problema.
O problema de agrupamento de dados pode ser analisado como um
problema de otimizao no qual se procura maximizar as diferenas das
caractersticas
mdias
dos
elementos
dos
grupos
ao
mesmo
tempo
minimizar as diferenas das caractersticas dos elementos de um mesmo

grupo.
Este
trabalho
estuda
tcnica
de
computao
evolucionria
denominada Particle Swarm Optimization (PSO), orientada resoluo

de problemas de agrupamento.
No captulo 2, o problema de agrupamento abordado, sendo sua
importncia discutida e alguns de seus mtodos tradicionais de resoluo
comentados.
O captulo 3 dedicado Computao Evolucionria apresentando
as suas linhas principais que so os algoritmos genticos e os algoritmos
swarm.
No
captulo
caractersticas
dos
feita
algoritmos
uma
swarm,
apresentao
sua
detalhada
representao
das
matemtica,
topologias de implementao, vantagens e desvantagens.

O
captulo
apresenta
vrios
estudos
de
casos
implementao de algoritmo em computador e anlise de desempenho.
atravs
de
captulo
apresenta
as
concluses
do
trabalho
possveis linhas de pesquisa na rea de Particle Swarm Optimization.
aponta
2.0 O problema de Agrupamento

Todo
agrupamento
de
pessoas, fatos, objetos, etc. e os aprimora e os utiliza no dia a dia.
qual
ser
seria
humano
possui
importncia
de
seus
se
esquemas
estudar
esquemas ou mtodos de agrupamento ?
de
analisar
cientificamente
Imagine por exemplo o caso de
uma administradora de carto de crdito que precisa oferecer cartes de

crditos em diversas faixas de valores a novos clientes em potencial.
Baseado em dados como perfil de compras, tipo de emprego, local de
residncia, interesses pessoais, a administradora pode agrupar os clientes
em potencial e oferecer cartes de crdito muito mais adequados a cada
cliente, aumentando assim as chances de sucesso na obteno de novos
clientes.
Da
mesma
forma
mtodos
de
agrupamento
so
teis
em
diversas reas como clculo de risco para seguradoras, identificao de

espcies
animais
vegetais
em
biologia ,
estimar
valorizao
de
separ-los
em
terrenos em loteamentos, etc.

Dado
grupos
um
onde
conjunto
cada
de
grupo
objetos,
contm
agrup -los
objetos
significa
semelhantes
entre
si
no
possa
ser
semelhantes aos demais objetos dos outros grupos.

O
conceito
de
semelhana
no
aplicado sem alguma subjetividade.
um
conceito
que
Como exemplo, dado um conjunto
de barcos, avies e automveis, o mesmo poderia ser agrupado em 3

grupos de acordo com suas similaridades: veculos que se movem no mar,
no ar e na terra.
Essa parece ser a forma de agrupamento mais bvia,
mas certamente no a nica.
Se entre os barcos existirem barcos a
vela, uma outra forma de agrupamento igualmente consistente e tambm

de acordo com suas similaridades seria em 2 grupos: um grupo com
barcos
propulso
vela
outro
grupo
ou
veculos
mecnica,
com
que
avies,
se
automveis
movem
atravs
barcos
de
de
propulso
mecnica e veculos que se movem com propulso natural.

Para que se faa um agrupamento preciso que a subjetividade
inerente
ao
conceito
de
similaridade
seja
explicitada
isso
feito
atravs da definio de um critrio de similaridade, o que servir como

diretriz para a gerao de um mtodo de agrupamento.
O primeiro passo para que essa subjetividade inerente ao conceito
de similaridade seja explicitada a codificao dos objetos.
No exemplo
dado, essa codificao pode ser feita atravs de variveis discretas, onde
cada caracterstica seria representada por um valor.
ser
representado
caractersticas
por
um
vetor
observadas.
de
dime nso
codificao
Cada objeto pode
igual
um
ao
passo
nmero
de
extremamente
importante para a obteno de bons resultados em qualquer mtodo de

agrupamento.
Outro
aspecto
importante
no
processo
de
agrupamento
definio do nmero de grupos em que os objetos sero divididos.
a
A
rigor, dado um conjunto de objetos no idnticos, mas com similaridades

diversas, em um extremo o mesmo pode ser agrupado em um nmero de
grupos igual ao nmero de objetos, e em outro extremo o mesmo pode ser
agrupado em um grupo apenas.
O exemplo apresentado com avies,
automveis e barcos ilustra como o nmero de grupos para um conjunto

de objetos pode ser subjetivo.
Um mtodo de agrupamento deve portanto
receber como dado de entrada o nmero de grupos em que os objetos

devem ser divididos ou ento o mtodo deve realizar uma anlise que
fornea como resultado um nmero de grupos.
Finalmente, com os objetos codificados o mtodo de agrupamento
ir
analisar
suas
similaridades
de
acordo
com
dita
em
relao
critrio
definido
agrupando-os de acordo.
Uma
palavra
deve
ser
distino
entre
agrupamento e classificao, j que a diferena entre os dois processos

sutil
mtodos
desenvolvidos
utilidade para o outro.
para
um
processo
provavelmente
tero
Enquanto a classificao j parte de um nmero
estabelecido de classes e os objetos analisados so colocados em uma das

classes com caractersticas definidas, o agrupamento pode ser visto como
uma classificao onde as classes no foram definidas a priori.
determinao do nmero de classes no entanto um problema de difcil

soluo.
2.1 Tipos de atributos em problemas de agrupamento

2.1.1 Atributos numricos
A forma mais comum de se representar objetos a serem agrupados
atravs de medidas numricas de seus atributos como por exemplo:
distncia,
medidas
altura,
so
largura,
naturalmente
peso,
quantidade,
contnuas.
temperatura,
Dessa
forma
etc.
Essas
cada
objeto
representado por um vetor de dimenso igual ao nmero de atributos a

serem considerados e cada elemento do vetor expressa numericamente a
medida de cada atributo.
2.1.1.1 Normalizao
A escolha das unidades que expressam os atributos tem influncia
no peso que cada atributo ter no processo de agrupamento.
menor
for
consequentemente
unidade
escolhida,
maior
maior
influncia
ser
daquele
faixa
atributo
no
de
Quanto
valores
agrupamento.
Quando se pretende que os atributos tenham influncias equivalentes no

agrupamento preciso que as medidas sejam normalizadas.
Isto pode ser
feito da forma descrita na equao 2.1.
Zi =
Xi
s
(2.1)
Onde
a mdia do valor do atributo de todos os elementos, e
s pode ser o desvio mdio absoluto:
s=
(| X 1 | + | X 2 | +... + | X n |)
n
(2.2)
Ou o desvio mdio quadrtico:
( X 1 ) + ( X 2 ) + ...+ ( X n )
2
s=
E Zi o valor normalizado do atributo do elemento i.
(2.3)
A principal diferena entre a utilizao do desvio mdio padro e o

desvio mdio absoluto que o segundo menos robusto pois mais
sensvel a influncia de pontos fora do domnio de interesse.
Pode -se tambm normalizar os dados mapeando-os em uma faixa.
equao 2.4 descreve essa forma de normalizao.
Zi =
( Xi X min)
( X max X min)
(2.4)
Onde:
Xi :
Valor no normalizado do atributo do elemento i;
Xmin:
Valor mnimo do atributo dentre todos os elementos;
Xmax:
Valor mximo do atributo dentre todos os elementos;
Zi :
Valor normalizado do atributo do elemento i.
2.1.1.2 Medidas de distncia

Para atributos numricos as medidas de distncia mais comuns so feitas
atravs de:
Distncia Euclidiana:
d (i , j ) =
( X i1 X j1) + ( X i 2 X j 2 )
2
+ ... + ( X in X jn )
(2.5)
Distncia de Manhattan ou city-block:
d (i, j ) =| X i1 X j 1 | + | X i 2 X j 2 | +...+ | X in X jn |
(2.6)
A figura 2.1 a representao polar do conjunto de pontos de um plano,

equidistantes
um
ponto
pela
distncia
Euclidiana
(um
crculo)
representao da distncia de Manhattan destes mesmos pontos.

90
1.4142
120
60
0.70711
150
30
180
210
330
240
300
270
Figura 2.1 - Distncia Euclidiana e Manhattan
A distncia de Manhattan se aproxima da distncia Euclidiana quando

apenas um atributo diferencia dois objetos. Quando mais de um atributo
diferencia dois objetos, a distncia de Manhattan tende a separar mais os
objetos do que a distncia Euclidiana separaria.
Pode ser usada tambm a Distncia de Minkowski:
d (i, j ) = n | X i1 X j1 | n + | X i 2 X j 2 |n +...+ | X in X jn |n
(2.7)
A distncia Euclidiana assim como a distncia de Manhattan so casos
particulares da distncia de Minkowski onde n=2 e n=1 respectivamente.
Quando se deseja que os atributos tenham influncias diferenciadas no
agrupamento,
pode-se
utilizar
pesos
para
clculo da distncia.
7
se
ponderar
os
mesmos
no
2.1.2 Atributos binrios

A representao dos atributos de um conjunto de elementos a ser
agrupado
pode
ser
representado
atravs
de
variveis
binrias.
Por
exemplo, a ficha mdica de um grupo de indivduos a serem agrupados

em
nveis
seguintes
de
risco
atributos
de
problemas
binrios:
sexo
crdio-vasculares
(m
ou
f),
poderia
pratica
conter
exerccios
os
fsicos
regularmente (sim ou no), sofre de presso alta (sim ou no), dieta

equilibrada
(sim
ou
no),
t em histrico de problemas crdio-vasculares
na famlia (sim ou no), sofre de obesidade (sim ou no), fumante (sim

ou no), possui nvel de colesterol acima de 240 (sim ou no), etc.
Embora
algumas
caractersticas
pudessem
ter
atributos
mais
flexveis
(sim, um pouco, no), os atributos binrios apresentam a vantagem de

serem mais fceis e rpidos de serem coletados e muitas vezes dessa
forma que os dados esto disponveis.
As
variveis
assimtricas.
As
binrias
podem
variveis
ser
simtricas
de
so
dois
tipos:
aquelas
simtricas
cujos
dois
ou
estados
influenciam igualmente no agrupamento, j as variveis assimtricas so

variveis cujos dois estados tm influncia diferenciada no agrupamento.
Por exemplo: Pratica exerccios fsicos regularmente (sim ou no) por si
s no coloca ou retira um indivduo de um grupo de risco.
forma que
Da mesma
o estado sim afasta o indivduo do grupo de risco, o estado
no o aproxima do grupo de risco. Ambos estados tm o mesmo peso no

agrupamento.
pode
ser
J a varivel: Possui nvel de colesterol acima de 240, no
considerada
da
mesma
forma.
estado
sim
tem
uma
influncia muito mais forte na incluso do indivduo no grupo de risco

do que o estado no tem no afastamento do grupo de risco.
2.1.2.1 Medidas de desigualdade

Dados dois objetos cujos atributos sejam binrios e simtricos, o grau de
desigualdade entre esses objetos, ou distncia pode ser expressa como:
d=
rs
qs + rs + ts
(2.8)
Onde:
rs:
nmero de variveis simtricas cujos estados so diferentes nos

dois objetos;
qs:
nmero de variveis simtricas cujos estados so iguais a sim nos

dois objetos;
ts:
nmero de variveis simtricas cujos estados so iguais a no nos

dois objetos.
Para objetos cujos atributos sejam binrios simtricos e assimtricos, a

distncia
entre
esses
objetos
pode
ser
expressa
pelo
coeficiente
de
Jaccard [4]:
d=
ra
qa + ra
(2.9)
onde:
ra:
nmero de variveis assimtricas cujos estados so diferentes nos

dois objetos;
qa:
nmero de variveis assimtricas cujos estados so iguais a sim

nos dois objetos;
As
variveis
assimtricas
cujos
estados
so
iguais
no
nos
dois
objetos no influenciam na distncia entre os objetos.
2.1.3 Atributos nominais

So aqueles cujos estados no se limitam a dois como nos atributos
binrios, mas podem assumir um determinado nmero de estados.
exemplo,
atributo
para
um
nominal
conjunto
pois
pode
de
automveis,
assumir
um
atributo
marca
entre
vrios
estados
Por
um
(Fiat,
General Motors, Volkswagen, Ford, etc.).

O
grau
de
no
similaridade
nominais pode ser medido atravs de:

9
entre
objetos
cujos
atributos
so
d=
pm
p
(2.10)
onde:
p: nmero total de variveis nominais;

m: nmero de variveis nominais de mesmo estado nos dois objetos.
2.1.4 Atributos ordinais

Muitas
vezes os
objetos
so
representados
atravs
cujos estados guardam uma relao de ordenao entre si.
de
atributos
Por exemplo,
em um grupo de militares, o atributo patente (soldado, sargento, tenente,

capito, general) um atributo ordinal.
O clculo da distncia entre objetos de atributos ordinais pode ser
feito de forma igual aos atributos numricos.
Para isso preciso se
atribuir valores numricos s variveis ordinais e para que as mesmas

tenham a mesma influncia no agrupamento, importante mape-las em
um intervalo igual.
O seu mapeamento no intervalo [0 1] pode ser feito atravs de:
Z if =
Rif 1
(2.11)
M if 1
onde:
Rif a ordem do atributo;

M if a ordem do maior atributo.
Para exemplificar considere o caso seguinte:
10
Patente
soldado=
1;
sargento=
2;
tenente=
3;
capito=
4;
general=
Neste caso o mapeamento na faixa [0:1] consiste em:

Patente mapeada
soldado=
0;
sargento=
0,25;
tenente=
0,5;
capito=
0,75;
general=
E podem portanto serem utilizadas como atributos numricos derivados

de atributos ordinais e se prestam ao clculo de desigualdades.
2.1.5 Atributos mistos

Na realidade muito comum que os objetos de um determinado
conjunto a ser agrupado possuam atributos de vrios tipos.
portanto
que
se
possa
computar
desigualdades
entre
necessrio
esses
tipos
objetos. Isto pode ser feito atravs da seguinte expresso:
d
d (i, j) =

n
(f) (f)
ij
f =1 ij
n
(f)
ij
f =1
(2.12)
11
de
onde:
ij( f )
= 0;
se X if = X jf e a varivel f binria assimtrica ou
ij( f )
= 1;
se X if X jf e a varivel f binria assimtrica ou

se
varive l
binria
simtrica,
nominal,
ordinal
ou
numrica.
d ij( f ) = 0;
se Xif = Xjf e f binria ou nominal;
d ij( f ) = 1;
se Xif Xjf e f binria ou nominal;
d ij( f ) =
| X if X jf |
[ ]
[ ]
max X f min X f
d if( f ) =| Z if Z jf | ;
se f numrica;
se f ordinal.
Como ilustrao, vamos supor que os dados mdicos coletados com

inteno de se agrupar pacientes em grupos de risco de doenas crdio vasculares sejam conforme a tabela 2.1:
Paciente
Sexo
Fumante
A
B
C
M
M
F
N
S
N
Nvel de
colesterol
160
200
180
Tabela 2.1
Onde os atributos so dos seguintes tipos:

Sexo:
binrio simtrico;
Fumante:
binrio assimtrico;
Nvel de colesterol:
numrico;
Idade:
numrico;
Nvel de atividade fsica:
ordinal.
12
Idade
30
50
40
Nvel de
atividade
fsica
intenso
nenhum
mdia
Mapeando as variveis numricas e ordinais na regio [0,1] e atribundo

valores s variveis binrias obtm-se os resultados da tabela 2.2.
Paciente
Sexo
Fumante
Nvel de
colesterol
Idade
A
B
C
1
1
0
0
1
0
0
1
0,5
0
1
0,5
Nvel de
atividade
fsica
1
0
0,5
Tabela 2.4
A desigualdade entre os objetos dada por:

d(A,B) = 0+1+1+1+1 / 1+1+1+1+1 = 4/5 = 0,8
d(A,C) = 1+0+0,5+0,5+0,5 / 1+0+1+1+1 = 2,5/4 = 0,625
d(B,C) = 1+1+0,5+0,5+0,5 / 1+1+1+1+1 = 3,5/5 = 0,7
Essa forma de clculo de desigualdades entre elementos que possuem
atributos mistos mostra que os elementos A e C so os mais prximos
enquanto os elementos A e B so os mais distantes.
2.2 Conceituao geral de mtodos de agrupamento

2.2.1 Mtodo s baseados em particionamento
Os mtodos baseados em particionamento so aqueles que a partir
de n objetos a serem agrupados em k grupos, partem de um agrupamento
inicial, calculam os pontos mdios dos grupos e iteram relocando objetos
entre
os
grupos
baseando-se
nas
distncias
entre
os
objetos
esses
pontos mdios, tentando maximizar as distncias entre os pontos mdios

dos grupos e minimizar a distncia entre elementos de um mesmo grupo.
Este
mtodo
tambm
conhecido
como
k -means,
distncia feito em relao mdia dos k pontos.
pois
clculo
da
Existe uma outra
abordagem similar, denominada k -medoid , na qual a distncia calculada

em relao ao elemento do conjunto mais prximo ao ponto mdio.
So
em geral mtodos eficientes mas de difcil aplicao em grandes bases de

dados
pois
requerem
exponencialmente
13
mais
capacidade
de
processamento
medida
que
aumenta
tamanho
do
conjunto
ser
agrupado.
2.2.2 Mtodos hierrquicos

Os
Mtodos
mtodos
que
hierrquicos
trabalham
trabalham
por
por
aglomerao
aglomerao
partem
de
ou
diviso.
objetos
inicialmente agrupados em n grupos e a cada iterao aglomeram grupos

baseando-se em sua densidade ou na distncia entre os objetos, at que
uma determinada condio seja satisfeita.
Os mtodos que trabalham por
diviso partem de n objetos inicialmente agrupados em um grupo e a

cada iterao dividem os grupos existentes em sub-grupos baseando-se
nas distncias entre os objetos e densidade dos grupos.
So em geral
mtodos rpidos, porm so irreversveis, uma vez que no retornam uma

diviso ou aglomerao efetuada.
2.2.3 Mtodos baseados em densidade

Mtodos
baseados
em
densidade
formam
grupos
de
objetos
em
funo da densidade de objetos em uma regio. Esses mtodos iteram

verificando se na regio prxima a cada objeto existe um outro que possa
ser agregado ao mesmo grupo.
So adequados para descobrir grupos de
formatos arbitrrios, ainda que com dados contaminados por rudo.
2.2.4 Mtodos baseados em estruturas em grade

So mtodos que dividem o espao no qual esto os objetos em
clulas formando uma estrutura em grade e realizam as operaes de
agrupamento no nos objetos em si mas sim nas clulas da grade.
As
operaes
das
de
agrupamentos
podem
ser
realizadas
em
funo
caractersticas estatsticas ou da de nsidade das clulas da grade.

geral
so
mtodos
rpidos
para
conjuntos
com
grande
quantidade
Em
de
objetos j que sua carga computacional depende no com o nmero de

objetos mas sim do nmero de clulas da grade.
14
2.2.5 Mtodos baseados em modelos

So
mtodos
que
pressupem
um
modelo
estatstico
para
distribuio dos objetos de um determinado conjunto e a partir dos dados

a
serem
agrupados
conjunto de objetos.
ajustam
os
parmetros
do
modelo
para
aquele
Os grupos so formados a partir da funo de
densidade que aqueles objetos representam.

2.3 Caractersticas de problemas de agrupamento
Mtodos
de
agrupamento
devem,
ser
capazes
de
trabalhar,
em
maior ou menor escala com dados cujas caractersticas apresentem as

seguintes variaes:
Tamanho do conjunto de objetos
Um mtodo de agrupamento pode funcionar bem quando o nmero de

objetos a serem agrupados relativamente pequeno mas pode no ser to
eficiente ou se tornar extremamente lento se o nmero de objetos a serem
agrupados for muito grande.
funcione
eficientemente
desejvel que um mtodo de agrupamento
tanto
com
conjuntos
pequenos
como
com
conjuntos grandes.
Capacidade em lidar com diferentes tipos de atributos
Embora
maior
parte
das
aplicaes
trabalhe
apenas
com
atributos
numricos, muitas aplicaes podem precisar agrupar dados baseados em

atributos binrios ou por categorias.
Um bom mtodo de agrupamento
deve ser capaz de lidar simultaneamente com diversos tipos de atributos.
Capacidade em lidar com agrupamentos de formas variadas
Muitos
mtodos
de
agrupamento
so
baseados
em
distncia
Euclidiana
para separar os grupos e so em geral eficientes para agrupar conjuntos

de formato esfrico e de densidade semelhante.
de
agrupamento
possam
tambm
agrupar
desejvel que mtodos

conjuntos
de
formato
densidade arbitrrios.
Necessidade de parmetros de entrada
Muitos mtodos de agrupamento necessitam parmetros de entrada que

exprimam algum conhecimento a respeito do conjunto de dados a serem
agrupados como por exemplo densidade ou nmero de grupos .
15
O ideal
seria que um mtodo de agrupamento fosse capaz de retirar do conjunto

de dados esse conhecimento, ou seja, que no necessitasse de parmetros
de entrada.
Capacidade de lidar com dados com rudo ou corrompidos
Bases de dados reais podem conter dados incompletos ou corrompidos.

Um bom mtodo de agrupamento deve ser capaz de lidar com esse tipo de
problema.
Capacidade de lidar com dados em qualquer ordem
Um bom mtodo de agrupamento deve ser insensvel ordem em que os

dados
so
apresentados,
no gerando grupos diferentes se os mesmos
dados forem apresentados em uma ordem diferente.
Capacidade de tratar dados multi-dimensionais
Dados
agrupados
bidimensionais
visualmente.
ou
mesmo
importante
tridimensionais
que
mtodos
sejam eficientes tambm para dados multi-dimensionais.
16
so
de
facilmente
agrupamento
3.0 Algoritmos Evolucionrios: uma viso geral

A modelagem matemtica de problemas complexos pode levar a
funes
bastante
descontnuas.
complexas,
maximizao
multi-dimensionais,
(ou
minimizao)
no
dessas
lineares
funes
atravs
de mtodos matemticos convencionais, a fim de se otimizar a soluo

do
problema,
resolver.
As
pode
ser
tcnicas
de
um
problema
algoritmos
matemtico
muito
difcil
evolucionrios
(PSO
ou
de
se
algoritmos
genticos) podem ser empregadas para se resolver esse tipo de problema.

Algoritmos evolucionrios so algoritmos que buscam uma soluo
tima em um determinado domnio a partir de um conjunto de solues
tentativas que so testadas e comparadas entre si.
comparao
as
solues
tentativas
baseado
em
Em funo dessa
so
submetidas
uma
analogia
com
um
processo
algum
de
evoluo,
geralmente
processo
natural.
Este processo orientado a preservar as caractersticas das
solues melhores e a descartar as caractersticas das solues piores,

produzindo
assim
teoricamente
processo
um
estaro
evolui
mais
novo
conjunto
prximas
at
que
melhor
determinado
patamar
de
desempenho
determinado
nmero
de
evolues
de
da
solues
soluo
das
tima
solues
ou
tentativas
que
procurada.
tentativas
simplesmente
tenha
ocorrido.
at
atinja
um
que
um
Evidentemente
algoritmos evolucionrios podem no encontrar a soluo tima, ficando

em
uma
soluo
sub-tima,
principalmente
se
todas
as
solues
tentativas convergirem ao longo do processo para essa soluo sub-tima

impedindo
assim
ou
dificultando
que
busca
continue
explorar
domnio.
Para minimizar a possibilidade de isto ocorrer, o processo
evolucionrio a que so submetidas as solues tentativas devem possuir

um certo grau de aleatoriedade na gerao das novas solues tentativas
de modo a permitir o surgimento em pequena escala de caractersticas
no presentes nas solues tentativas originais.
O processo natural ao
qual o algoritmo evolucionrio anlogo em geral possui tambm esse
17
pequeno grau de aleatoriedade em sua evoluo.
Os processos naturais
mais comuns aos quais os algoritmos evolucionrios se baseiam so os

processos
orientam
genticos
a
da
evoluo
movimentao
de
das
enxame
espcies
de
ins etos
os
processos
(swarm),
que
que
sero
descritos a seguir.
3.1 Algoritmos Genticos
Os
algoritmos
genticos
so
algoritmos
evolucionrios
baseiam no processo natural da evoluo das espcies.
que
se
Biologicamente,
toda espcie tem suas caractersticas definidas em seus cromossomos.
processo natural da evoluo pode ser sucintamente descrito atravs dos

seguintes passos:
Dois
indivduos
indivduo
cujos
de
uma
mesma
espcie
cruzam
sero
uma
cromossomos
cromossomos de seus antecessores.
gerando
combinao
de
aleatoriedade
na
forma
novo
dos
Este novo indivduo ter portanto
uma combinao das caractersticas de seus antecessores.

grau
um
em
que
as
Existe um
caractersticas
sero
combinadas.
Em uma quantidade pequena de cruzamentos, mutaes iro ocorrer,

criando caractersticas no novo indivduo que no existiam em seus
antecessores.
Novamente
existe
um
grau
de
aleatoriedade
na
determinao de quais cruzamentos ocorrer uma mutao e em qual

caracterstica ser afetada.
O novo indivduo, com suas caractersticas prprias, ser submetido

ao processo de viver.
Se for apto o suficiente, sobreviver at
poder tambm cruzar e passar adiante caractersticas suas, se no ir

perecer.
Dessa
forma
caractersticas
o
que
conjunto
de
dete rminam
indivduos
uma
maior
tende
aptido.
preservar
Alm
aquelas
disso
eventualmente novas caractersticas sero introduzidas na espcie atravs

da mutao e a espcie tende a se tornar cada vez mais apta.
18
A tcnica de Algoritmos Genticos produz modificaes na populao

atravs
da
simulao
dos
mecanismos
encontrados
na
natureza
na
evoluo dos seres vivos, ou seja, essencialmente cruzamento, mutao e

sobrevivncia do mais apto.
Computacionalmante os algoritmos genticos so uma abstrao desse

processo natural onde a melhoria da espcie tornando-se cada vez mais
apta, a busca de uma soluo tima para um problema, onde o
conjunto de caractersticas disponveis aos indivduos so o espao de
busca
do
problema
cada
indivduo
representa
uma
possvel
soluo
para o problema.
3.2 Al goritmos Swarm
Particle
Swarm
Optimization
uma
tcnica
de
computao
evolucionria proposta por Ebehart e Kennedy [7] baseada na observao

do comportamento social de um grupo de indivduos na natureza.
PSO trabalha com um grupo de posies de indivduos e produz

modificaes na posio desses indivduos baseado no comportamento de
indivduos
dentro
de
um
grupo
indivduo
baseado
na
sua
social.
experincia
comportamento
anterior
na
de
cada
experincia
daqueles outros indivduos com os quais se relaciona.

Similarmente aos algoritmos genticos o conjunto de indivduos tende
a preservar aquelas posies que determinam uma maior aptido e a
descartar as posies de menor aptido.
Computacionalmante os algoritmos swarm so uma abstrao desse
processo natural onde a procura pela posio mais apta, a busca de uma
soluo
tima
para
um
problema,
onde
conjunto
de
possveis
posies dos indivduos o espao de busca do problema, e cada posio

ocupada
por
um
indivduo
representa
problema.
19
uma
possvel
soluo
para
Como
mtodo
de
agrupamento,
como mtodo baseado em particionamento.
20
algoritmos
'swarm'
se
classificam
4.0 Conceitos Fundamentais empregados em

Algoritmos Swarm
Na natureza, quando um grupo de
pode -se
considerar
aves
que
ou cardume de peixes
procura
alimento,
cada
indivduo
orienta
sua
busca
por duas componentes, a primeira a sua prpria experincia
anterior em j conhecer locais onde costuma encontrar alimento e a outra

componente a informao obtida atravs de outros indivduos de seu
grupo social.
Quando um indivduo do grupo encontra alimento essa
informao difundida
para os demais, ou pelo menos para parte dos
demais, influindo em seus comportamentos de busca por alimento.
Dessa
forma o grupo como um todo tende a ir para o ponto onde maior a

quantidade de alimento.
Computacionalmente
implementao
de
algoritmos
PSO
para
otimizao de um problema pode ser feita atravs dos seguintes passos:
Gera-se
uma
populao
onde
posio
representa
uma
soluo possvel para o problema.
inicial
feito
de
problema.
Gera-se
forma
aleatria
tambm
um
em
vetor
um
de
espao
de
cada
indivduo
O posicionamento
de
busca
deslocamento
para
para
cada
indivduo, tambm de forma aleatria, de forma que todos os indivduos

se deslocam de suas posies iniciais.
A nova posio de cada indivduo avaliada por uma funo de

aptido.
Cada
indivduo
tem
seu
vetor
de
deslocamento
ajustado
em
funo da aptido de sua posio anterior e da aptido dos indivduos

com os quais mantm ligaes. Cada indivduo se desloca de acordo com
o seu novo vetor de deslocamento. E assim sucessivamente.
21
4.1 Representao vetorial do deslocamento dos indivduos
O deslocamento dos indivduos calculado a partir da sua posio

atual atravs de duas compone ntes vetoriais: cognitiva e social.
X (t +1) = X (t ) + 1 ( Xs X (t ) ) + 2 ( Xc X (t ) )
(4.1)
onde:
X posio
Xs melhor posio social
Xc melhor posio cognitiva
1 peso estocstico da melhor posio social
2 peso estocstico da melhor posio cognitiva
Xs
X(t+1)
1
X(t)
Xc
Figura 4.1
A direo de cada componente sempre dada pela melhor posio

cognitiva anterior e melhor posio social anterior.
A melhor posio
cognitiva aquela mxima, entre todas as posies j ocupadas pelo

elemento em
questo desde o incio do processo.
A melhor posio
social aquela mxima entre as posies ocupadas no instante presente

por aqueles elementos com os quais o elemento em questo tem ligao,
que funo da topologia adotada.
determinam
intensidade
das
Os pesos estocsticos (1 e 2)
componentes
social
cognitiva.
introduo dos pesos estocticos no modelo importante para que no

ocorra a tendncia de verificao de pontos discretos do domnio, alm
de facilitar a sada do elemento de um eventual mximo local.
22
Os
valores
de
mais
adequados
aplicaes uma distribuio uniforme u[0,2].

valores
u[0,1]
ou
menores,
regies
fora
da
para
Se
maioria
das
1 e 2 tiverem
regio
delimitada
pela
Se 1 e 2 tiverem valores
populao inicial no sero exploradas.
maiores que u[0,2] regies muito prximas melhor posio alcanada

dificilmente sero exploradas [7].
4.2 Funo objetivo
clculo
do
vetor
de
deslocamento
dos
indivduos
expresso
atravs da equao 4.1 apresenta os parmetros Xs - melhor posio

social e Xc
-melhor posio cognitiva.
Fica implcita a necessidade de
se avaliar se uma determinada posio (ou soluo) melhor ou pior que

uma outra.
de
uma
Isto feito atravs de uma funo objetivo.

funo
objetivo
fundamental
no
A determinao
desempenho
de
qualquer
minimizao
de
funes
algoritmo swarm.
Para
problemas
de
maximizao
ou
matemticas a obteno de uma funo objetivo simples pois a

prpria funo a ser maximizada ou miniminizada.
Na maximizao de
uma determinada funo cada posio (ou possvel soluo) submetida

funo e considerada tanto melhor quanto maior for o valor alcanado
pela funo.
Para problemas de agrupamento a obteno de uma funo objetivo
pode ser feita atravs da maximizao da distncia euclidiana entre os
centrides
dos
grupos.
Cada
posio
distribuio dos elementos em grupos.
representa
uma
determinada
Os centrides so calculados e
quanto maior for a distncia entre eles melhor a posio.
4.3 Tipos de topologia
Dependendo
de como feita a ligao entre os indivduos da
populao, ou seja, de que forma os indivduos se influenciam, existem

vrias topologias de implementao:
23
4.3.1 Em Estrela (tambm denominado: gbest)
Quando todos os indivduos so conectados entre si. Dessa forma o

indivduo
com
melhor
desempenho
influencia
todos
os
demais.
Esta
implementao conduz a uma convergncia mais rpida porm os riscos

de uma convergncia para um mximo local bem maior que em outras
implementaes.
Figura 4.2- Topologia em estrela
4.3.2 Em Roda
Um indivduo conectado a todos os demais, que por sua vez so

completamente
demais
isolados
denominado
entre
si.
indivduo
indivduo
focal.
conectado
desempenho
todos
do
os
melhor
indivduo sempre passado ao indivduo focal que por sua vez passa a
influenciar
todos
os
demais.
Todos
24
os
indivduos
se
influenciam
mutuamente como na topologia em estrela porm de forma mais lenta,

atravs de um filtro formado pelo indivduo focal.
Esta topologia reduz
um pouco a possibilidade de convergncia em um mximo local.
Figura 4.3 - Topologia em roda
4.3.3 Em Crculo (tambm denominado: lbest)
entre
Cada indivduo conectado apenas a dois vizinhos.
A influncia
indivduos
forosamente
distantes
muito
pequena
pois
passar por toda a cadeia de indivduos entre eles.

eficaz
daquele
em
no
que
convergir
encontrar
em
um
mximos
mximo
locais
local
precisa
Essa topologia mais
pois
no
indivduos
sero
distantes
imediatamente
influenciados por este mximo local e continuaro sua busca em outras

regies do espao de busca.
25
Figura 4.4 - Topologia em crculo
4.3.4 Randmica
Grupos de indivduos so conectados a outros grupos de forma

randmica.
26
Figura 4.5 - Topologia randmica

Outras topologias podem ser implementadas atravs da combinao
das topologias em crculo e em roda com a topologia randmica.
27
5.0 Estudo de Casos

Foram
implementados
vrios
casos
utilizando-se as topologias em
estrela e em crculo. A topologia em crculo apresentou sempre melhor

desempenho nos casos implementados.
A topologia em estrela converge
mais rapidamente porm no caso de funes que possuem vrios mximos

locais, a topologia em estrela converge com facilidade para um mximo
local e dificilmente consegue sair desse mximo.
A topologia em anel
consegue sair com mais facilidade dos mximos locais pois a influncia
de um elemento demora a se propagar at atingir todos os elementos do
anel.
5.1 Funo matemtica contnua com vrios mximos locais
Foi
escolhida
mximos locais.
uma
funo
matemtica
contnua
com
vrios
A existncia de mximos locais dificulta a obteno do
mximo da funo pois vrios elementos convergem erroneamente para

esses
mximos
locais.
Apesar
disso
desempenho
obtido
pela
implementao da topologia em crculo foi bastante satisfatria.

A representao utilizada foi
a representao binaria, ou seja, a
posio de um indivduo traduzida como um conjunto de bits.
Cada
posio um ponto em uma reta de valores numricos e cada ponto

possvel nesta reta tem sua representao binria.
Funo a ser otimizada:
y = sin (3 x)(0 .015 x 3 0 .2 x 2 + 0.7 x 1)
(5.1)
Domnio de busca: [0,10]
Mximo no domnio:
x = 5.78
y = 0.7378
28
Mximos locais no domnio:

x = 7.81
y = 0.5820
x = 3.72
y = 0.3863
x = 1.52
y = 0.3416
x = 9.22
y = 0.1205
A figura 5.1 apresenta o grfico da funo, onde so observados vrios

mximos locais.
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
0
10
Figura 5.1 - Grfico de funo com vrios mximos locais
Foi efetuada uma impleme ntao em MatLab do algoritmo Swarm para a

otimizao da funo descrita, vrias topologias foram experimentadas e
verificou-se
que
topologia
mais
simples
que
satisfatriamente apresenta as seguintes caractersticas:

Topologia: em crculo
Nmero de elementos: 5
Nmero total de movimentos: 15
29
resolve
problema
Nmero de posies verificadas: 75

Dimenso do espao de busca: 10 bits, ou 1024 possveis posies
Foram realizadas vrias simulaes e os resultados foram sempre muito
similares,
no
havendo
muita
varincia
no
nmero
de
movimentaes
necessrias para que o mximo da funo seja encontrado.
A figura 5.2 apresenta o grfico da movimentao dos elementos em

busca do ponto no qual a funo atinge seu mximo, em uma simulao
que pode ser considerada tpica.
12
10
0
0
10
15
Nmero de movimentos
Figura 5.2 - Movimentao dos elementos
Na tabela 5.1 esto listados os valores percorridos pelos elementos at o

final da simulao:
30
Mov
Elemento
Elemento
Elemento
Elemento
Elemento
Vermelho
Azul
Verde
Anil
Preto
1.1000
8.4500
5.8900
8.1200
3.9000
1.3400
5.8900
6.2000
10.2300
4.7000
5.7500
5.8900
6.0500
2.1200
1.1300
5.7500
5.7700
6.0100
8.5600
7.3300
5.7700
5.7700
5.6000
1.7700
5.7700
5.7700
5.8400
5.7400
9.5400
5.7700
5.7700
5.7900
5.7400
5.7700
5.7700
5.7800
5.8000
5.5700
5.7700
5.7700
5.7800
5.7600
10
5.6500
5.7700
5.7700
5.7800
5.7900
11
5.8100
5.7700
5.7700
5.7800
5.7800
12
5.8000
5.7700
5.7800
5.7800
5.7800
13
5.7600
5.7700
5.7800
5.7800
5.7800
14
5.7900
5.7800
5.7800
5.7800
5.7800
15
5.7700
5.7800
5.7800
5.7800
5.7800
Tabela 5.1 - Valores percorridos pelos elementos

Pode-se constatar que bastaram 8 movimentaes para o elemento
anil
alcanar
mximo
principalmente
se
for
considerado
vrias
simulaes
utilizados.
Em
da
funo.
que
o
desempenho
apenas
mximo
5
foi
excelente
elementos
alcanado
foram
com
verificao de 75 posies dentre as 1024 possveis, ou seja, um pouco

mais de 7,5% do total das posies.
apresentada
verificando-se
simulao
mximo
40
foi
posies,
realizada
foi
ou
vrias
No caso particular da simulao
alcanado
seja,
vezes
considerado tpico.
31
na
menos
e
oitava
de
este
4%
movimentao,
do
resultado
total.
pode
Esta
ser
5.2 Padro de bits
Muitos
problemas
de
agrupamento
elementos de um grupo em dois.
recaem
em
subdividir
os
Nesses casos a representao binria
bastante conveniente e a otimizao feita buscando-se o padro de bits

para o qual uma funo objetivo alcana um mximo.
A implementao apresentada neste caso, que tambm foi realizada

em MatLab, tem como resultado da funo objetivo o nmero de bits
iguais a um determinado padro de bits escolhido aleatoriamente.
Padro de bits [1 1 1 1 1 0 0 0 0 0]
Vrias
mais
topologias
simples
que
foram
experimentadas
resolve
problema
verificou-se que a topologia

satisfatriamente
apresenta
as
seguintes caractersticas:
Topologia utilizada: em crculo
Nmero de movimentos: 15
Dimenso do espao de busca: 10 bits, ou 1024 possveis posies
Foram realizadas vrias simulaes e os resultados foram razoavelmente

similares
em
relao
varincia
do
nmero
de
movimentaes
necessrias para que o padro de bits seja encontrado.
A tabela 5.2 apresenta o exemplo de um resultado tpico da simulao:
32
Movi-
Nmero
Melhor padro obtido
mento
de acertos
10
11
12
10
13
10
14
10
15
10
Tabela 5.2 - Melhor padro obtido por movimentao

Em 100 simula es o padro de bits correto foi obtido com o nmeros de
movimentos indicados na tabela 5.3:
33
12
10
10
13
12
13
12
13
10
12
15
12
12
10
12
15
10
12
13
11
11
10
10
12
11
12
12
11
10
Tabela 5.3 - Relao do nmero de movimentos at o padro ser obtido
Observa-se que foi necessria uma mdia de 7,69 movimentos para se

obter o padro correto.
figura
5.3
apresenta
histograma
do
nmero
de
movimentos
necessrios para se obter o padro de bits com nmero mximo de

acertos.
34
18
16
14
12
10
0
0
10
15
Figura 5.3 - Histograma do nmero de movimentos necessrios

Observa-se
que
em
mdia,
aproximadamente
12%
do
espao de
busca foi verificado, o que significa uma piora em relao ao estudo de

caso anterior.
Isso pode ser explicado pelo fato de a representao
utilizada no ser a mais adequada para o problema.
Representar as
posies como pontos de uma reta torna as operaes matemticas da

cinemtica da simulao bastante simples porm introduz uma distoro
no
modelo
de
movimentao
de
indivduos
estabelecido
pelo
algoritmo
swarm.
Por
exemplo:
diferena
matemtica
entre
as
seguintes
posies
mnima porm representam posies bem distantes em relao ao nmero

de bits iguais ao padro escolhido:
35
[0 0 0 0 0 1 1 1 1 1] - posies corretas: 0
[0 0 0 0 1 0 0 0 0 0] - posies corretas: 6
Embora
resultado
alcanado
possa
ser
considerado
satisfatrio
para problemas com domnio na ordem de grandeza de alguns bits,

importante se buscar operadores mais adequados representao binria
de posies para problemas que podem ter domnio na ordem de grandeza
de centenas de bits, que o caso de muitos problemas prticos de
agrupamento.
Novos operadores foram desenvolvidos para os prximos
estudos de casos melhorando o desempenho do algoritmo swarm.
5.3 Conjunto de dados Ruspini
O conjunto de dados 'Ruspini' formado por pontos em um plano e

so linearmente separveis em quatro grupos.
bastante
utilizado
para
se
verificar
um conjunto de dados
desempenho
de
algoritmos
agrupamento. A tabela 5.4 representa o conjunto dos dados Ruspini.
36
de
Conjunto Ruspini
X
53
36
72
52
152
111
126
63
28
147
55
155
115
117
10
59
32
149
54
124
117
115
77
35
153
60
136
70
13
49
33
154
63
139
77
12
13
69
38
151
86
132
83
21
12
88
41
150
85
115
61
15
15
75
38
145
85
96
69
15
18
61
38
143
78
94
78
16
19
65
32
143
74
96
66
18
22
74
34
141
97
122
58
13
27
72
44
156
98
116
64
20
28
76
44
149
98
124
69
21
24
58
44
143
99
119
66
23
27
55
46
142
99
128
61
25
28
60
47
149
101
115
76
27
30
52
49
152
108
111
72
31
31
60
50
142
110
111
64
30
32
61
53
144
108
116
Tabela 5.4 - Conjunto Ruspini
A figura 5.4 apresenta o conjunto de dados 'Ruspini' plotados em um

plano:
37
160
140
120
100
80
60
40
20
0
0
20
40
60
80
100
120
Figura 5.4 - Conjunto de dados Ruspini
O algoritmo swarm aplicado no agrupamento dos dados 'Ruspini'

foi
aplicado
posteriormente
separando
separando
os
dados
cada
inicialmente
subgrupo
em
em
mais
dois
dois,
subgrupos
resultando
e
um
total de quatro grupos.
A representao de posies adotadas foi a representao binria

onde cada elemento do conjunto a ser separado representado por um bit
em um vetor de dimenso igual ao nmero total de elementos.
Cada
soluo possvel representada por um vetor de 'zeros' e 'uns' formando

38
assim dois grupos, um com os elementos representados por 'zeros' no

vetor e outro com os elementos representados por 'uns' no vetor.
funo objetivo recebe o vetor soluo e realiza o teste de aptido nos

atributos dos elementos.
Foram
desenvolvidos
dois
operadores
para
implementarem
cinemtica
das posies:
movebin - Dadas duas posies com representao binria, sendo uma

considerada referncia e a outra a mvel, este operador calcula a
diferena entre as posies em um nmero n de bits diferentes e
calcula
uma
original.
nova
O
posio
nmero
mvel
de
com
posies
aleatoriamente entre zero e 2n.
posies
diferentes
k,
diferentes
da
escolhido
Se k for menor ou igual a n, apenas
bits diferentes so modificados, se k for maior que n, todos os n bits

diferentes so modificados mais os (k-n) bits iguais so modificados.
Dessa forma o operador movebin movimenta um elemento da posio
mvel em direo posio de referncia podendo parar antes de
atingir a posio de referncia, exatamente na posio de referncia,
ou passar da posio de referncia um distncia no mximo igual ao
afastamento inicial.
Esse operador utilizado para se calcular as
parcelas (Xc-X), (posio cognitiva) e (Xs-X), (posio social) da

equao da cinemtica do algoritmo swarm (equao 4.1).
mergebin - Dadas as duas parcelas (Xc-X), e (Xs-X), este operador

fornece uma nova posio que a combinao das parcelas cognitiva
e
social.
Os
bits
iguais
so
mantidos
os
bits
escolhidos aleatoriamente de uma ou de outra parcela.
diferentes
so
O resultado
uma posio intermediria entre as duas outras.
importante que seja ressaltado que a criao desses operadores no

apenas
tornou
algoritmo
mais
eficiente,
mas
tambm
permitiu
que
conjuntos maiores de dados pudessem ser trabalhados de forma direta
39
pelas
linguagem
de
programao
disponveis.
Nos
estudos
de
casos
anteriores, onde esses operadores no for am utilizados, um espao de

busca de 10 bits significava operaes matemticas envolvendo nmeros
at 2 10 = 1024.
Para problemas com espao de busca maiores, por
exemplo 150 bits, que ser visto no estudo de caso 5.4, significaria
operaes matemticas envolvendo nmeros at 2150 = 1,42 X 1045 , que
no
so
realizveis
diretamente,
ou
sem
particionar
operao,
pela
linguagem de programao empregada.

A
funo
objetivo
utilizada
foi
maximizao
da
distncia
euclidiana
entre os centrides dos grupos.
separao
inicial
em
dois
subgrupos
foi
experimentada
com
vrias
topologias e a mais simples que conseguiu separar os dados sem erros,

tem as seguintes caractersticas:

Nmero total de posies verificadas: 3000
Dimenso do espao de busca: 75 bits, ou 3.77 X 10 22 possveis posies
40
160
140
120
100
80
60
40
20
0
0
20
40
60
80
100
120
Figura 5.5 - Separao inicial em 2 sub-grupos

Com a verificao de uma posio a cada 6,28 X 10 18, o algoritmo swarm
conseguiu 100% de acerto.
As
separaes
subsequentes
foram
efetuadas
com
topologia
caractersticas descritas a seguir:

Dimenso do espao de busca:
35 bits, ou 3,44X10 10 possveis posies;

40 bits, ou 1,10X10 12 possveis posies.
41
de
160
140
120
100
80
60
40
20
0
0
20
40
60
80
100
120
Figura 5.6
Com um total de 3 divises e verificando apenas uma quantidade da
ordem de grandeza de 10 -10 do total de posies, o algoritmo swarm
conseguiu
100%
Ruspini.
Esse
de
acerto
um
no
resultado
agrupamento
tpico
para
dos
a
dados
topologia,
do
conjunto
nmero
de
elementos e nmero de movimentaes utilizados.

Os mesmos dados submetidos ao algoritmo K-means [4] foram agrupados
com ndice de acerto de 55%.
42
5.4 Conjunto de dados caractersticos da flores Iris
O conjunto de dados caractersticos de flores Iris composto por um

total de 150 amostras com as seguintes dimenses das flores:
- largura da ptala;
- comprimento da ptala;
- largura da spala;
- comprimento da spala.
As flores podem ser classificadas em 3 grupos:
- Setosa;
- Versicolour;
- Virginica.
A classe Setosa linearmente separvel das demais.
Versicolour
Virginica
apresentam
alguma
sobreposio
As classes
em
seus
atributos, o que faz com que no sejam linearmente separveis uma da

outra. O anexo 1 apresenta os dados do conjunto de flores Iris.
O
conjunto
algoritmo
Iris
foi
swarm
aplicado
aplicado
no
separando
os
agrupamento
dados
dos
inic ialmente
dados
em
do
dois
subgrupos e posteriormente separando o maior subgrupo em mais dois,

resultando um total de trs grupos.
A representao de posies adotadas foi a representao binria,
assim como no estudo de caso 5.3. Os mesmos operadores 'movebin' e
'mergebin' tambm foram utilizados na implementao da cinemtica das
posies para o agrupamento das flores Iris.
Assim como no estudo de caso 5.3 a funo objetivo utilizada foi a
maximizao da distncia euclidiana entre os centrides dos grupos.
A ordem em que os dados foram submetidos ao algoritmo swarm
foi a mesma ordem em que aparecem no anexo 1, ou seja, os 50 primeiros
43
elementos so os da Setosa, os 50 seguintes so os da Versicolour e os

50 finais so os da Virginica.
Para a separao inicial, foram experimentadas vrias topologias e
a
mais
simples
que
conseguiu
separar
sem
erros
tem
ou
1.43
as
seguintes
1045
possveis
caractersticas:

Dimenso
do
espao
de
busca:
150
bits,
posies
A separao obteve 100% de acerto na maioria das vezes em que a
simulao foi feita isolando o grupo Setosa (1) dos outros dois.
Separao
erro,
do
grupo
topologia
Versicoulour/Virginica
mais
simples
que
apresentou
conseguiu
sempre
algum
melhor
resultado
10 30
possveis
alcanado tem as caractersticas apresentadas a seguir:

Dimenso
do
espao
de
busca:
100
bits,
ou
1.26
posies
A separao obteve 94% de acerto na maioria das vezes em que a
simulao foi feita. Os mesmos dados submetidos ao algoritmo K-means
[4] foram agrupados com ndice de acerto de 83,3%.
tpico
para
movimentaes
topologia,
utilizados.
melhoraram o desempenho.
nmero
Mais
de
elementos
Esse um resultado
elementos
ou
mais
nmero
movimentos
de
no
Os elementos 71 e 78 foram agrupados como

44
Virginica e os elementos 107, 120, 134 e 135 foram agrupados como

Versicoulour.
Uma
anlise
cuidadosa
dos
atributos
desses
elementos,
apresentados na tabela 5.4, mostra que os elementos 71 e 78, da classe

Virginica,
possuem
atributos
significativamente
dos atributos da classe Versicolour.
mais
prximos
mdia
Tambm os elementos 107, 120, 134
e 135, da classe Versicolour, possuem atributos significativamente mais

prximos
mdia
dos
atributos
da
classe
Virginica.
Os
atributos
sombreados so aqueles que se aproximam mais da mdia da outra classe

do que da mdia de sua prpria classe.
Isto faz com que o agrupamento
desse conjunto de dados baseado nesses quatro atributos sem erros no

seja
possvel
pois
superposio
em
uma
parcela
pequena
dos
elementos.
Elemento
1 . atributo
2 . atributo
3 . atributo
4 . atributo
71 (Vers)
0.7468
0.7273
0.6957
0.72
78 (Vers)
0.8481
0.6818
0.7246
0.68
107 (Virg)
0.6203
0.5682
0.6522
0.68
120 (Virg)
0.7595
0.5000
0.7246
0.60
134 (Virg)
0.7975
0.6364
0.7391
0.60
135 (Virg)
0.7722
0.5909
0.8116
0.56
mdia Ver s
0.7514
0.6295
0.6174
0.5304
mdia Virg
0.8339
0.6759
0.8046
0.8104
tabela 5.4 - Elementos agrupados incorretamente
O desempenho do algoritmo swarm foi portanto o melhor que se

poderia esperar com os atributos disponveis.
Pode-se observar que a diferena entre as mdias muito pequena

para o primeiro e segundo atributos, se comparada diferena entre as
mdias para o terceiro e quarto atributo.
Este fato uma indicao de
que existe mais sobreposio nos dois primeiros atributos do que nos
dois ltimos.
do
agrupamento
Isto verdadeiro e foi comprovado atravs da realizao

com
mesmo
algoritmo
porm
utilizando
apenas
terceiro e quarto atributos no clculo da distncia euclidiana na funo

45
objetivo.
Os resultados foram praticamente os mesmos , sendo a nica
diferena o elemento 78 que passou a ser agrupado corretamente.
incluso
da
de
atributos
no
relevantes
ao
agrupamento
no
clculo
funo objetivo no deteriorou o desempenho do algoritmo.
Como o timo desempenho obtido pelo algoritmo de swarm foi

conseguido
com
os
dados
submetidos
ao
algoritmo
ordenadamente,
os
mesmos foram desordenados e submetidos ao algoritmo de swarm a fim

de
se
verificar
aleatria.
desempenho
do
mesmo
com
os
dados
em
ordem
Foi utilizada a mesma topologia, mesmo nmero de elementos
e mesmo nmero de movimentos.
A tabela 5.5 apresenta a ordem em que
os elementos foram submetidos ao algoritmo swarm.
54
55
104
105
10
63
64
65
66
14
15
16
17
116
117
118
21
22
23
67
68
69
24
25
26
27
28
129
130
131
132
32
33
78
79
80
81
34
35
36
40
41
42
47
48
49
50
51
52
53
109
110
111
56
11
12
13
60
61
62
123
124
125
126
70
71
29
30
31
75
76
77
82
83
84
85
43
44
45
46
86
87
88
138
139
140
141
93
94
95
144
145
146
96
97
100
101
102
103
57
58
59
106
107
108
18
19
20
112
113
114
115
72
73
74
119
120
121
122
37
38
39
127
128
133
134
89
90
91
92
135
136
137
142
143
98
99
147
148
149
150
Tabela 5.5 - Ordem de apresentao dos elementos

O resultado das simulaes foi exatamente o mesmo obtido com os
dados ordenados demonstrando que o algoritmo robusto em relao
ordem de apresentao dos dados.
A no dependncia do resultado em
46
relao ordenao dos dados uma caracterstica de projeto deste

algoritmo.
5.5 Conjunto de dados de doena cardaca
conjunto de dados de doenas cardacas composto por 270
elementos com 13 atributos, extrados de um conjunto maior com 75, no

qual existem 150 elementos com presena de doena cardaca e 120
elementos sem doena cardaca.
Os atributos so do tipo idade, sexo,
presso, nvel de colesterol, nvel de glicose, tipo de eletrocardiograma,

etc e mais outros, mais especficos rea
de cardiologia, sendo que 6
atributos so numricos, 1 ordinal, 2 so binrios e 3 so nominais.

Assim como nos estudos de caso 5.3 e 5.4, a representao binria
foi utilizada sendo cada indivduo representado por um bit em um vetor
de dimenso igual ao nmero de elementos e cada soluo representada
por um padro de 'zeros' e 'uns' identificando dois possveis grupos.
Similarmente aos dois casos j mencionados, dada uma soluo, a funo
objetivo
realiza
teste
nos
atributos
dos
conjuntos
formados
pelo
agrupamento representado pelo vetor.
O algoritmo swarm aplicado no agrupamento dos dados do

conjunto foi aplicado separando os da dos em dois grupos sendo um com
elementos
portadores
portadores
de
de
doena
doena
cardaca
cardacas.
As
outro
seguintes
com
elementos
caractersticas
no
foram
utilizadas no algoritmo:
Dimenso
do
espao
de
busca:
270
posies.
47
bits,
ou
1.89
1081
possveis
Varias simulaes foram realizadas e os resultados so mostrados na

tabela 5.6.
DOENA
AGRUP.
NO PORTADOR
CORRETO
INCORRETO
142
8
142
8
141
9
144
6
145
5
144
6
PORTADOR
CORRETO
INCORRETO
57
63
55
65
60
60
60
60
57
63
66
64
Tabela 5.6 - Presena ou ausncia de doena cardaca

Verificou-se um ndice de erro entre 24,4% e 27,0%.
mais
Simulaes com
elementos ou mais movimentaes no apresentaram melhoria no
desempenho.
Os mesmos dados submetidos ao algoritmo K-means [4] foram agrupados

com erro de 23,7%.
Novamente o algoritmo swarm mostrou-se bastante
eficiente para um conjunto de dados considerado bastante difcil de ser

agrupado.
48
6.0 Concluso
Este trabalho rene duas reas distintas de conhecimento que so o
problema
do
agrupamento
linha
de
denominada 'Particle Swarm Optimization'.
computao
evolucionria
O problema de agrupamento
em geral um problema bastante difcil de ser resolvido.
Pequenos
percentuais de erros so tolerveis ou aceitveis pois o agrupamento em

geral no requer a preciso da classificao.
A utilizao do algoritmo
de 'Particle Swarm Optimization', como um mtodo de pa rticionamento,

para lidar com o problema de agrupamento mostrou ser bastante eficaz.
A simplicidade da modelagem e a facilidade de implementao de

algoritmos swarm, certamente um aspecto bastante positivo deste tipo
de abordagem para resoluo de problemas.
Com a realizao de verificaes em um nmero de solues vrias

ordens de grandeza abaixo do nmero total de solues possveis, o
algoritmo
Swarm
demonstrou
que
extremamente
eficiente
como
processo de orientao da busca da soluo.
Evidentemente
os
parmetros
de
implementao
muito importantes para o sucesso do mtodo.
do
problema
so
Pode-se destacar dois
parmetros de fundamental importncia: a funo objetivo e a topologia

utilizada.
A funo objetivo talvez o elemento mais importante

sucesso do algoritmo.
modelado
precisamente
para o
Qualquer problema de otimizao que possa ser

atravs
de
uma
funo
objetivo
ser
eficientemente resolvido pelo algoritmo de Particle Swarm Optimization.
topologia
empregada
tambm
teve
obteno de bons resultados nas simulaes.
49
influncia
preponderante
na
A topologia em anel, mais
lenta na propagao dos melhores resultados entre os elementos, mostrou

que
essa
elemento
lentido
busque
na
propagao
solues
dos
alternativas
resultados
permita
permite
que
que
cada
problema
dos
mximos locais seja superado com certa facilidade.
Em
todos
os
estudos
de
casos
resultado que se poderia esperar.

no
houve
elementos
100%
que
de
acerto
foram
agrupamento,
erroneamente
ter
sido
agrupados
detalhada
de
seus
atributos
algoritmo
obteve
melhor
Mesmo no caso das flores Iris, onde
no
poderiam
de
foi
agrupados
forma
mostraram
considerados tpicos do outro grupo.
demonstrado que os
pelo
diferente
que
os
algoritmo,
pois
uma
mesmos
no
anlise
podem
ser
O mesmo vlido em relao ao
caso dos dados de presena ou ausncia de doena cardaca.

Os resultados apresentados nos estudos de casos so tpicos, no
so os melhores obtidos em uma determinada simulao.
importante se destacar a criao dos dois operadores: movebin e

megrebin
para
representados
como
implementao
padro
de
da
bits.
cinemtica
Estes
dos
operadores
elementos
melhoraram
substancialmente o desempenho do algoritmo.
Pode-se concluir tambm, atravs dos estudos de casos realizados

que a inclus o de atributos no relevantes no processo de agrupamento
no
degrada
eficincia
do
algoritmo.
Evidentemente
carga
computacional aumentada.
O nmero de possveis solues testadas o produto do nmero de

elementos
da
topologia
pelo
nmero
de
movimentaes
realizadas.
Observou-se que em geral, para melhorar o desempenho do algoritmo

mais importante que se aumente o nmero de movimentaes e no
necessariamente o nmero de elementos na topologia.
50
O algoritmo mostrou tambm ser insensvel ordem em que os

elementos so apresentados, o que uma caracterstica desejvel em
qualquer mtodo de agrupamento.
Uma caracterstica desejvel a um bom mtodo de agrupamento

no foi apresentada pelo algoritmo em nenhum dos estudos de casos,
seria desejvel que um bom mtodo identificasse o nmero de grupos
existentes,
porm
em
mostrou essa capacidade.
nenhum
dos
casos
algoritmo
implementado
Esse um desafio aberto pesquisa: resolver
o problema do agrupamento com a eficincia demonstrada pelo algoritmo

Swarm identificando tambm o nmero de grupos do conjunto.
51
7. Referncias Bibliogrficas
[1]
Di
CARLANTONIO,
L.
M.,
Novas
Metodologias
para
Clusterizao de Dados, 2001, Tese de Mestrado, COPPE/UFRJ.
[2]
FALKENAUER, E., Genetic Algorithms and Grouping Pr oblems ,

England, John Wiley & Sons, 1998.
[3]
FIREBAUGH, M. W., Artificial Intelligence A Knowledge -Based

Approach, Boston, PWS-Kent Publishing Company, 1988.
[4]
HAN, J., KAMBER, M., Data Mining Concepts and Techniques,

United Kingdom, Academic Press, 2001.
[5]
HRUSCHKA, E. R., EBECKEN, N. F. F., A Genetic algorithm for

cluster
analysis,
Submitted
to
IEEE
Transactions
on
Evolutionary
Computation, January.
[6]
MONMARCH, N., Research Directions on Data Clustering with

Artificial Ants, 1999, Submitted to the American Association for
Artificial Inteligence Workshop, June.
[7]
KENNEDY,
J.,
EBERHART,
R.,
Particle
Swarm
Optimization,
Proceedings IEEE, International Conference on Neural Networks.

[8]
LACERDA, E. G. M., CARVALHO, A. C. P. L. F. de, 1999,

Introduo
aos
Algoritmos
Genticos,
Anais
do
XIX
Congresso
Nacional da Sociedade Brasileira de Computao, Vol. II, pp. 51126, Rio de Janeiro, Brasil, Julho.
[9]
ROWENA,
M.
C.,
Clustering
with
Genetic
Thesis, University of Western Australia, 1998.
52
Algorithms,
MSc.
Anexo 1 - Dados do conjunto Iris

1o atributo 2 o
0,6456
0,6203
0,5949
0,5823
0,6329
0,6835
0,5823
0,6329
0,5570
0,6203
0,6835
0,6076
0,6076
0,5443
0,7342
0,7215
0,6835
0,6456
0,7215
0,6456
0,6835
0,6456
0,5823
0,6456
0,6076
0,6329
0,6329
0,6582
0,6582
0,5949
0,6076
0,6835
0,6582
0,6962
0,6203
0,6329
0,6962
0,6203
0,5570
0,6456
0,6329
0,5696
0,5570
0,6329
0,6456
0,6076
0,6456
0,5823
0,6709
0,6329
0,8861
atributo 3 atributo 4 atributo Tipo Elemento

0,7955
0,2029
0,08
1
1
0,6818
0,2029
0,08
1
2
0,7273
0,1884
0,08
1
3
0,7045
0,2174
0,08
1
4
0,8182
0,2029
0,08
1
5
0,8864
0,2464
0,16
1
6
0,7727
0,2029
0,12
1
7
0,7727
0,2174
0,08
1
8
0,6591
0,2029
0,08
1
9
0,7045
0,2174
0,04
1
10
0,8409
0,2174
0,08
1
11
0,7727
0,2319
0,08
1
12
0,6818
0,2029
0,04
1
13
0,6818
0,1594
0,04
1
14
0,9091
0,1739
0,08
1
15
1,0000
0,2174
0,16
1
16
0,8864
0,1884
0,16
1
17
0,7955
0,2029
0,12
1
18
0,8636
0,2464
0,12
1
19
0,8636
0,2174
0,12
1
20
0,7727
0,2464
0,08
1
21
0,8409
0,2174
0,16
1
22
0,8182
0,1449
0,08
1
23
0,7500
0,2464
0,20
1
24
0,7727
0,2754
0,08
1
25
0,6818
0,2319
0,08
1
26
0,7727
0,2319
0,16
1
27
0,7955
0,2174
0,08
1
28
0,7727
0,2029
0,08
1
29
0,7273
0,2319
0,08
1
30
0,7045
0,2319
0,08
1
31
0,7727
0,2174
0,16
1
32
0,9318
0,2174
0,04
1
33
0,9545
0,2029
0,08
1
34
0,7045
0,2174
0,04
1
35
0,7273
0,1739
0,08
1
36
0,7955
0,1884
0,08
1
37
0,7045
0,2174
0,04
1
38
0,6818
0,1884
0,08
1
39
0,7727
0,2174
0,08
1
40
0,7955
0,1884
0,12
1
41
0,5227
0,1884
0,12
1
42
0,7273
0,1884
0,08
1
43
0,7955
0,2319
0,24
1
44
0,8636
0,2754
0,16
1
45
0,6818
0,2029
0,12
1
46
0,8636
0,2319
0,08
1
47
0,7273
0,2029
0,08
1
48
0,8409
0,2174
0,08
1
49
0,7500
0,2029
0,08
1
50
0,7273
0,6812
0,56
2
51
53
0,8101
0,8734
0,6962
0,8228
0,7215
0,7975
0,6203
0,8354
0,6582
0,6329
0,7468
0,7595
0,7722
0,7089
0,8481
0,7089
0,7342
0,7848
0,7089
0,7468
0,7722
0,7975
0,7722
0,8101
0,8354
0,8608
0,8481
0,7595
0,7215
0,6962
0,6962
0,7342
0,7595
0,6835
0,7595
0,8481
0,7975
0,7089
0,6962
0,6962
0,7722
0,7342
0,6329
0,7089
0,7215
0,7215
0,7848
0,6456
0,7215
0,7975
0,7342
0,8987
0,7975
0,8228
0,9620
0,6203
0,9241
0,8481
0,7273
0,7045
0,5227
0,6364
0,6364
0,7500
0,5455
0,6591
0,6136
0,4545
0,6818
0,5000
0,6591
0,6591
0,7045
0,6818
0,6136
0,5000
0,5682
0,7273
0,6364
0,5682
0,6364
0,6591
0,6818
0,6364
0,6818
0,6591
0,5909
0,5455
0,5455
0,6136
0,6136
0,6818
0,7727
0,7045
0,5227
0,6818
0,5682
0,5909
0,6818
0,5909
0,5227
0,6136
0,6818
0,6591
0,6591
0,5682
0,6364
0,7500
0,6136
0,6818
0,6591
0,6818
0,6818
0,5682
0,6591
0,5682
0,6522
0,7101
0,5797
0,6667
0,6522
0,6812
0,4783
0,6667
0,5652
0,5072
0,6087
0,5797
0,6812
0,5217
0,6377
0,6522
0,5942
0,6522
0,5652
0,6957
0,5797
0,7101
0,6812
0,6232
0,6377
0,6957
0,7246
0,6522
0,5072
0,5507
0,5362
0,5652
0,7391
0,6522
0,6522
0,6812
0,6377
0,5942
0,5797
0,6377
0,6667
0,5797
0,4783
0,6087
0,6087
0,6087
0,6232
0,4348
0,5942
0,8696
0,7391
0,8551
0,8116
0,8406
0,9565
0,6522
0,9130
0,8406
0,60
0,60
0,52
0,60
0,52
0,64
0,40
0,52
0,56
0,40
0,60
0,40
0,56
0,52
0,56
0,60
0,40
0,60
0,44
0,72
0,52
0,60
0,48
0,52
0,56
0,56
0,68
0,60
0,40
0,44
0,40
0,48
0,64
0,60
0,64
0,60
0,52
0,52
0,52
0,48
0,56
0,48
0,40
0,52
0,48
0,52
0,52
0,44
0,52
1,00
0,76
0,84
0,72
0,88
0,84
0,68
0,72
0,72
54
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
0,9114
0,8228
0,8101
0,8608
0,7215
0,7342
0,8101
0,8228
0,9747
0,9747
0,7595
0,8734
0,7089
0,9747
0,7975
0,8481
0,9114
0,7848
0,7722
0,8101
0,9114
0,9367
1,0000
0,8101
0,7975
0,7722
0,9747
0,7975
0,8101
0,7595
0,8734
0,8481
0,8734
0,7342
0,8608
0,8481
0,8481
0,7975
0,8228
0,7848
0,7468
0,8182
0,7273
0,6136
0,6818
0,5682
0,6364
0,7273
0,6818
0,8636
0,5909
0,5000
0,7273
0,6364
0,6364
0,6136
0,7500
0,7273
0,6364
0,6818
0,6364
0,6818
0,6364
0,8636
0,6364
0,6364
0,5909
0,6818
0,7727
0,7045
0,6818
0,7045
0,7045
0,7045
0,6136
0,7273
0,7500
0,6818
0,5682
0,6818
0,7727
0,6818
0,8841
0,7391
0,7681
0,7971
0,7246
0,7391
0,7681
0,7971
0,9710
1,0000
0,7246
0,8261
0,7101
0,9710
0,7101
0,8261
0,8696
0,6957
0,7101
0,8116
0,8406
0,8841
0,9275
0,8116
0,7391
0,8116
0,8841
0,8116
0,7971
0,6957
0,7826
0,8116
0,7391
0,7391
0,8551
0,8261
0,7536
0,7246
0,7536
0,7826
0,7391
1,00
0,80
0,76
0,84
0,80
0,96
0,92
0,72
0,88
0,92
0,60
0,92
0,80
0,80
0,72
0,84
0,72
0,72
0,72
0,84
0,64
0,76
0,80
0,88
0,60
0,56
0,92
0,96
0,72
0,72
0,84
0,96
0,92
0,76
0,92
1,00
0,92
0,76
0,80
0,92
0,72
55
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
Anexo 2 - Pseudo-cdigo da implementao do

algoritmo
Funo: pso1
- Recebe:
tamanho da populao
nmero de movimentos
quantidade de elementos a serem agrupados
funo objetivo a ser utilizada
arquivo de atributos dos elementos a serem agrupados
- Gera solues aleatrias

- Faz at o nmero de movimentos ser atingido
- Calcula aptido de cada elemento na posio atual atravs da
funo objetivo.
- Guarda melhor posio.
- Obtm componente cognitiva de cada elemento.
- Obtm componente social de cada elemento.
- Movimenta cada elemento em funo das componentes cognitiva
e social, aplica fatores de aleatoriedade obtendo novas posies.
- Fornece melhor soluo obtida.
Funo objetivo
- Recebe o vetor de agrupamento.
- Separa os elementos nos dois grupos dados pelo vetor.
- Calcula o centride de cada grupo em um espao de dimenso igual
ao nmero de atributos.
- Calcula a distncia Euclidiana entre os centrides.
- Fornece a distncia calculada.
Os demais programas apenas preparam os dados a serem passados

funo pso1, de acordo com os dados a serem agrupados e formatam os
resultados.
56
Anexo 3 - Programas fonte

Caso: Iris
Programas:
psoiris.m
pso1.m
fobjiris.m
movebin.m
mergebin.m
Programa: psoiris.m
% Agrupa arquivo iris.txt
clear all
clc
disp(' ')
disp('Este programa utiliza Particle swarm optimization para resolver')
disp('o problema de agrupamento de dados.')
disp(' ')
disp('O arquivo de dados utilizado ser o das flores Iris,')
disp('o qual possui 3 classes de dados a serem agrupados.')
disp(' ')
disp('->Pressione qualquer tecla para continuar')
pause
clc
disp(' ')
disp('Inicialmente o progrma l o arquivo de dados iris.txt.')
disp('Este arquivo possui 150 elementos, sendo 50 em cada classe.')
disp(' ')
%pause
clc
57
load iris.txt;
grupo=iris;
[omega,quant]=size(grupo);
disp(' ')
disp('Em seguida a funo ps o chamada com a seguinte ')
disp('Funo
objetivo:
fobjiris.m
Maximiza
distncia
centrides.')
disp(' ')
disp('->Pressione qualquer tecla para continuar e aguarde')
pause
clc
pop=8;
mov=500;
melhor1=pso1(pop,mov,omega,'fobjiris',grupo,50);
disp(' ')
pause
clc
disp(' ')
disp('Em seguida o arquivo de dados ser dividido em outros dois,')
disp('de acordo com o melhor indivduo do processo evolutivo')
disp(' ')
pause
clc
i1=0;
i2=0;
for i=1:omega
if melhor1(i)==0
i1=i1+1;
58
entre
os
gr1(i1,:)=grupo(i,:);
else
i2=i2+1;
end
end
disp(' ')
disp('O arquivo menor uma das classes j agrupada.')
disp('O ar quivo maior ser submetido ao mesmo processo para que
seja')
disp('feito o agrupamento das outras duas.')
disp(' ')
pause
clc
[l1,c1]=size(gr1);
[l2,c2]=size(gr2);
clear grupo;
if l1 > l2
grupo=gr1;
quant=l1;
grupo_a=gr2;
quant_a=l2;
else
grupo=gr2;
quant=l2;
grupo_a=gr1;
quant_a=l1;
end
disp(' ')
disp('A mesma funo pso novamente chamada')
disp(' ')
59

pause
clc
pop=8;
mov=2000;
melhor2=pso1(pop,mov,quant,'fobjiris',grupo,100);
disp(' ')
pause
clc
i1=0;
i2=0;
for i=1:quant
if melhor2(i)==0
i1=i1+1;
else
i2=i2+1;
gr4(i 2,:)=grupo(i,:);
end
end
grupo_b=gr3;
quant_b=i1;
grupo_c=gr4;
quant_c=i2;
disp(' ')
disp('Salva o arquivo resultado.txt:')
fid = fopen('resultado.txt','w');
for (i=1:quant_a)
fprintf(fid,'%6.4f %6.4f %6.4f %4.2f %1d %3d\r\n',grupo_a(i,:));
60
end;
for (i=1:quant_b)
fprintf(fid,'%6.4f %6.4f %6.4f %4.2f %1d %3d\r\n',grupo_b(i,:));
end;
for (i=1:quant_c)
fprintf(fid,'%6.4f %6.4f %6.4f %4.2f %1d %3d\r\n',grupo_c(i,:));
end;
st = fclose(fid);
load resultado.txt
xa=[1:quant_a];
xb=[(quant_a+1):(quant_a+quant_b)];
xc=[(quant_a+quant_b+1):(quant_a+quant_b+quant_c)];
axis([0 omega 0 3]);

clf
hold on;
plot(xa,grupo_a(:,5), 'ro');
plot(xb,grupo_b(:,5), 'b^');
plot(xc,grupo_c(:,5), 'g+');
grid;
disp(' ')
disp('Salva os seguintes arquivos:')
disp('grupo_a.txt')
disp('grupo_b.txt')
disp('grupo_c.txt')
fid = fopen('grupo_a.txt','w');
for (i=1:quant_a)
fprintf(fid,'%6.4f %6.4f %6.4f %4.2f %3d %3d\r\n',grupo_a(i,:));
end
st = fclose(fid);
fid = fopen('grupo_b.txt','w');
for (i=1:quant_b)
61
fprintf(fid,'%6.4f %6.4f %6.4f %4.2f %3d %3d\r\n',grupo_b(i,:));

end
st = fclose(fid);
fid = fopen('grupo_c.txt','w');
for (i=1:quant_c)
fprintf(fid,'%6.4f %6.4f %6.4f %4.2f %3d %3d\r\n',grupo_c(i,:));
end
st = fclose(fid);
Programa:pso1.m
%function beta=pso1(pop,mov,omega,fobj)
function beta=pso1(pop,mov,omega,fobj,gr,amost)
% beta=pso1(pop,mov,omega,fobj)
% Particle Swarm Optimization para maximizacao de funes
%
% Versao 2.0
% Implementao: Influncia em anel
%
% Urias Novaes
%
% OUTPUTS:
% beta
= Melhor posio do processo de evolucao, ou aquela para o
qual a funo objetivo atinge o mximo
%
% INPUTS:
% pop
= Tamanho da populao
% mov
= Nmero de movimentos do processo evolutivo
% omega
% fobj
= Dimenso do espao de busca

= Funo objetivo
% amost = Nmero de iteraes para apresentao do melhor indivduo

%
durante evoluo (Se amost = 0, no apresenta)
62
% Gera populacao aleatoria

populacao = round(rand(pop,omega));
% Inicializa com zeros aptido individual anterior
% e aleatriamente uma posio anterior
for i=1:pop,
aptindh(i)=0;
posindh(i,:)=round(rand(1,omega));
end;
% Inicializa com zero aptido geral da vizinhana anterior

for i=1:pop,
aptvizh(i)=0;
posvizh(i,:)=r ound(rand(1,omega));
end
% Inicializao com zero a melhor aptido

aptgerh=0;
% Evolui ate o numero de movimentos ser alcancado

for i=1:mov,
% Calcula posies e aptides individuais
for k=1:pop,
str = [fobj,'(populacao(k,:))'];
aptind(k)=eval(str);
posind(k,:)=populacao(k,:);
end;
% Compara a atual posio individual com a anterior e salva a melhor
for k=1:pop
if (aptind(k)>aptindh(k)),
63
aptindh(k)=aptind(k);
posindh(k,:)=populacao(k,:);
end;
end;
% Compara a melhor posio geral com a anterior e salva a melhor
[lm,cm]=max(aptind);
aptger=aptind(1,cm);
posger(1,:)=posind(cm,:);
if (aptger > aptgerh),
aptgerh=aptger;
posgerh=posger;
end
% Calcula a melhor aptido da vizinhana
% Primeiro elemento
if(aptind(1)>aptind(2)),
aptviz(1)=aptind(1);
posviz(1,:)=posind(1,:);
else
end;
if(aptind(pop)>aptviz(1)),
aptviz(1 )=aptind(pop);
posviz(1,:)=posind(pop,:);
end;
% Todos os elementos com exceo do primeiro e ltimo
for k=2:pop -1,
if(aptind(k-1)>aptind(k)),
aptviz(k)=aptind(k-1);
posviz(k,:)=posind((k -1),:);
else
aptviz(k)=aptind(k);
64
posviz(k,:)=posind(k,:);
end;
if(aptind(k+1)>aptviz(k)),
aptviz(k)=aptind(k+1);
posviz(k,:)=posind((k+1),:);
end;
end;
% ltimo elemento
if(aptind(pop)>aptind(pop -1)),
aptviz(pop)=aptind(pop);
posviz(pop,:)=posind(pop,:);
else
aptviz(pop)=aptind(pop -1);
posviz(pop,:)=posind((pop-1),:);
end;
if(aptind(1)>aptviz(pop)),
aptviz(pop)=aptind(1);
posviz(pop,:)=posind(1,:);
end;
% Compara a posio da vizinhana com a anterior e salva a melhor
for k=1:pop
if (aptviz(k)>aptvizh(k)),
aptvizh(k)=aptviz(k);
posvizh(k,:)=posviz(k,:);
end;
end;
% Movimenta populao
clc;
% disp(aptind);
disp(posgerh);
disp(aptgerh);
%
pause;
65
for k=1:pop,
nposind(k,:)=mergebin(movebin(posind(k,:),posvizh(k,:)),movebin(posind
(k,:),posindh(k,:)));
end;
% Verifica se apresenta melhor indivduo na tela

%if amost ~= 0
%
if rem(i,amost)==0
% plot(posgerh,'^');
%pause
end
%end
% Atualiza populacao
for k=1:pop
populacao(k,:) = nposind(k,:);
end
%
clc;
disp(i);
disp(aptgerh);
end;
% Melhor individuo
beta = posgerh;
Programa: fobjiris.m
function f=f1(v,grupo)
% Funo de agrupamento para as flores iris
66
% Urias Novaes
[lin,col]=size(v);
indice11=0;
indice12=0;
indice21=0;
indice22=0;
cont1=0;
cont2=0;
% Se todos os bits forem 1 ou 0, faz aptdo = 0
if (sum(v)~=0 & prod(v)~= 1)
% Separao do grupo inicial em 2 grupos
for i=1:col
if v(i)==1
cont1=cont1+1;
grupo1(cont1,:)=grupo(i,:);
end
if v(i)==0
cont2=cont2+1;
end
end
%disp(grupo1)
%disp(grupo2)
% Calculo do ponto mdio dos grupos
pm1=mean(grupo1(:,3:4));
67
% Calculo da aptido
f = sum((pm1-pm2).^2,2);
else
f=0;
end
Programa: movebin.m
function vout=movebin(vin,vref)
vout = movebin(vin,vref)
Movimentao binria do vetor vin em direo a vref
Seja n o nmero de bits em que vin difere de vref.
Aleatoriamente at um mximo de 2n bits so escolhidos (k bits);
Inicialmente os bits diferentes so alterados a partir do MSB,
se k > n, n bits diferentes so alterados e
(k - n) bits iguais so aleatriamente escolhidos para serem
alterados.
[min,nin] = size(vin);
[mref,nref] = size(vref);
if ( (min~=mref) | (nin~=nref)),
error('vin and vref must be of same dimension.')
end;
% Dimenso dos vetores
omega = nref;
%
Xor entre o vetor de entrada e vetor referencia
68
vxor = xor(vin,vref);
%
Vetor com os ndices dos bits diferentes
dif = find(vxor);
% Vetor com os ndices dos bits iguais

ig = find(~vxor);
Quantidade de bits diferentes
[ldif,bitsdif]=size(dif);
vout = vin;
if (bitsdif > omega/2)
bitsdif = omega - bitsdif;
vout = ~vin;
temp = dif;
dif = ig;
ig = temp;
end;
%
Quantidade total de bits iguais
[lig,bitsigtot]=size(ig);
Gera um nmero aleatrio entre 0 e 2*n
if (bitsdif == 0)
k = 1;
else
k = round(2.*bitsdif.*rand);
end;
Se o nmero de bits a serem alterados menor que os diferentes,
troca essa quantidade de bits diferentes, seno troca todos os
% bits diferentes e mais o que falta em bits iguais.

if (k < bitsdif)
69
bitsig = 0;
for (i=1:k),
% Altera parte dos bits diferentes
vout(dif(i))= ~vout(dif(i));
end;
else
bitsig = k - bitsdif;
if (bitsdif ~= 0)
for (i=1:bitsdif),
% Altera todos os bits diferentes
vout(dif(i))= ~vout(dif(i));
end;
end;
if (bitsig > 0)
sort = bitsigtot - bitsig;
n = round(sort.*rand) + 1;
for (i=n:(n+bitsig-1))
% Altera os MSB bits iguais
vout(ig(i)) = ~vout(ig(i));
end;
end;
end;
Programa: mergebin.m
function vout=mergebin(v1,v2)
%
vout = mergebin(v1,v2)
Fuso binria dos vetores v1 e v2.
Os
bits
iguais
so
mantidos,
os
diferentes
alternadamente dos vetores

%
a partir do MSB
[m1,n1] = size(v1);
[m2,n2] = size(v2);
if ( (m1~=m2) | (n1~=n2)),
error('v1 and v2 must be of same dimension.')
end;
% Dimenso dos vetores
70
so
copiados
omega = n2;
%
Xor entre os vetores
vxor = xor(v1,v2);
% Vetor com os ndices dos bits diferentes

dif = find(vxor);
Quantidade de bits diferentes
[ldif,bitsdif]=size(dif);
% Copia os bits iguais

vout = v2;
for (i=1:2:bitsdif)
vout(dif(i))= v1(dif(i));
end;
71
Caso: Presena ou ausncia de doena cardaca

Programas:
psoheart.m
pso1.m
(j listado)
fobheart.m
movebin.m
(j listado)
mergebin.m
(j listado)
Programa: psoheart.m
clear all
clc
disp(' ')
disp('Este programa utiliza Particle swarm optimization para resolver')
disp('o problema de agrupamento de dados de doenas cardacas.')
disp(' ')
pause
clc
load hstd.txt;
grupo=hstd;
pop=8;
mov=2000;
melhor1=pso1(pop,mov,omega,'fobheart',grupo,50);
i1=0;
i2=0;
for i=1:omega
if melhor1(i)==0
i1=i1+1;
else
72
i2=i2+1;
end
end
[l1,c1]=size(gr1);
[l2,c2]=size(gr2);
clear grupo;
if l1 > l2
grupo=gr1;
quant=l1;
grupo_a=gr2;
quant_a=l2;
grupo_b=gr1;
quant_b=l1;
else
grupo=gr2;
quant=l2;
grupo_a=gr1;
quant_a=l1;
grupo_b=gr2;
quant_b=l2;
end
fid = fopen('resultado.txt','w');
for (i=1:quant_a)
fprintf(fid,'%6.4f %6.4f %6.4f %6.4f %6.4f %6.4f %6.4f %6.4f %6.4f
%6.4f %6.4f %6.4f %6.4f %1d\r\n',grupo_a(i,:));
end;
for (i=1:quant_b)
%%6.4f %6.4f %6.4f %6.4f %1d \r\n',grupo_b(i,:));
end;
73
st = fclose(fid);
%load resultado.txt
xa=[1:quant_a];
xb=[(quant_a+1):(quant_a+quant_b)];
axis([0 omega 0 2]);

clf
hold on;
plot(xa,grupo_a(:,14), 'ro');
plot(xb,grupo_b(:,14), 'b^');
grid;
disp(' ')
disp('grupo_a.txt')
disp('grupo_b.txt')
for (i=1:quant_a)
%6.4f %6.4f %6.4f %6.4f %1d\r\n',grupo_a(i,:));
end
st = fclose(fid);
for (i=1:quant_b)
%6.4f %6.4f %6.4f %6.4f %1d\r\n',grupo_b(i,:));
end
st = fclose(fid );
74
Programa: fobheart.m
% Funo de agrupamento para doenas cardacas

% Urias Novaes
[lin,col]=size(v);
indice11=0;
indice12=0;
indice21=0;
indice22=0;
cont1=0;
cont2=0;

if (sum(v)~=0 & prod(v)~= 1)
for i=1:col
if v(i)==1
cont1=cont1+1;
end
if v(i)==0
cont2=cont2+1;
end
end
75
h=1;
i=1;
j=1;
k=1;
l=1;
m=1;
[y,h1] = max(hist(grupo1(:,8),2));
[y,h2] = max(hist(grupo2(:,8),2));
if(h1==h2),
h=0;
end;
[y,i1] = max(hist(grupo1(:,9),2));
[y,i2] = max(hist(grupo2(:,9),2));
if(i1==i2),
i=0;
end;
[y,j1] = max(hist(grupo1(:,10),2));
[y,j2] = max(hist(grupo2(:,10),2));
if(j1==j2),
j=0;
end;
[y,k1] = max(hist(grupo1(:,11),4));
[y,k2] = max(hist(grupo2(:,11),4));
if(k1==k2),
k=0;
end;
[y,l1] = max(hist(grupo1(:,12),3));
[y,l2] = max(hist(grupo2(:,12),3));
if(l1==l2),
l=0;
end;
76
[y, m1] = max(hist(grupo1(:,13),3));

[y,m2] = max(hist(grupo2(:,13),3));
if(m1==m2),
m=0;
end;
% Calculo da aptido
% f = sum((pm1-pm2).^2,2)+h+i+j+k+l+m;
f = sum(abs(pm1 -pm2))+h+i+j+k+l+m;
else
f=0;
end
77
Caso: Ruspini
Programas:
psoruspini.m
pso1.m
(j listado)
fruspini.m
movebin.m
(j listado)
mergebin.m
(j listado)
Programa: psoruspini.m
% Agrupa arquivo
clear all
clc
disp(' ')
disp('Este programa utiliza Particle swarm optimizat ion para resolver')
disp('o problema de agrupamento de dados.')
disp(' ')
disp('O arquivo de dados utilizado ser o conjunto Ruspini,')
disp('o qual possui 4 classes de dados a serem agrupados.')
disp(' ')
%pause
clc
disp(' ')
disp('Inicialmente o progrma l o arquivo de dados ruspini.txt.')
disp('Este arquivo possui 75 elementos.')
disp(' ')
%pause
clc
%global grupo
load ruspini.txt;
grupo=ruspini;
78
disp(' ')
disp('Em seguida a funo pso.m chamada com a seguinte ')
disp('Funo
objetivo:
fruspini.m
Maximiza
distncia
centrides.')
disp(' ')
pause
clc
pop=20;
mov=150;
melhor1=pso1(pop,mov,omega,'fruspini',grupo,10);
disp(' ')
pause
clc
disp(' ')
disp('Em seguida o arquivo de dados ser dividido em outros dois,')
disp('de acordo com o melhor indivduo do processo evolutivo')
disp(' ')
pause
clc
ip=0;
iq=0;
for (i=1:omega)
if melhor1(i)==0
ip=ip+1;
grp(ip,:)=grupo(i,:);
else
iq=iq+1;
79
entre
os
grq(iq,:)=grupo(i,:);
end
end
clf;
hold on;
axis('equal');
axis([0 120 0 160]);
plot(grp(:,1),grp(:,2),'m+');
plot(grq(:,1),grq(:,2),'c*');
hold off;
fid = fopen('grupo_p.txt','w');
for (i=1:ip)
fprintf(fid,'%3d %3d\r\n',grp(i,:));
end
st = fclose(fid);
fid = fopen('grupo_q.txt','w');
for ( i=1:iq)
fprintf(fid,'%3d %3d\r\n',grq(i,:));
end
st = fclose(fid);
disp(' ')
disp('Os
arquivos
so
novamente
submetidos
agrupamento.')
disp('formando um total de 4 arquivos.')
disp(' ')
pause
clc
melhor2=pso1(pop,mov,ip,'fruspini',grp,10);
i1=0;
80
ao
processo
de
i2=0;
for i=1:ip
if melhor2(i)==0
i1=i1+1;
gr1(i1,:)=grp(i,:);
else
i2=i2+1;
gr2(i2,:)=grp(i,:);
end
end
grupo_a=gr1;
grupo_b=gr2;
melhor3=pso1(pop,mov,iq,'fruspini',grq,10);
i3=0;
i4=0;
for (i=1:iq)
if melhor3(i)==0
i3=i3+1;
gr3(i3,:)=grq(i,:);
else
i4=i4+1;
gr4(i4,:)=grq(i,:);
end
end
grupo_c=gr3;
grupo_d=gr4;
disp(' ')
fid = fopen( 'resultado.txt','w');

for (i=1:i1)
fprintf(fid,'%3d %3d\r\n',grupo_a(i,:));
81
end;
for (i=1:i2)
fprintf(fid,'%3d %3d\r\n',grupo_b(i,:));
end;
for (i=1:i3)
fprintf(fid,'%3d %3d\r\n',grupo_c(i,:));
end;
for (i=1:i4)
fprintf(fid,'%3d %3d\r\n',grupo_ d(i,:));
end;
st = fclose(fid);
load resultado.txt
clf;
hold on;
axis('equal');
axis([0 120 0 160]);
plot(grupo_a(:,1),grupo_a(:,2),'rs');
plot(grupo_b(:,1),grupo_b(:,2),'bd');
plot(grupo_c(:,1),grupo_c(:,2),'gv');
plot(grupo_d(:,1),grupo_d(:,2),'y^');
hold off;
disp(' ')
disp('grupo_a.txt')
disp('grupo_b.txt')
disp('grupo_c.txt')
disp('grupo_d.txt');
for (i=1:i1)
fprintf(fid,'%3d %3d\r\n',grupo_a(i,:));
end
st = fclose(fid);
82
for (i=1:i2)
fprintf(fid,'%3d %3d\r\n',grupo_b(i,:));
end
st = fclose(fid);
fid = fopen('grupo_c.txt','w');
for (i=1:i3)
fprintf(fid,'%3d %3d\r\n',grupo_c(i,:));
end
st = fclose(fid);
fid = fopen('grupo_d.txt','w');
for (i=1:i4)
fprintf(fid,'%3d %3d\r\n',grupo_d(i,:));
end
st = fclose(fid);
Programa: fruspini.m
% Funo de agrupamento
% Urias Novaes
[lin,col]=size(v);
indice11=0;
indice12=0;
indice21=0;
indice22=0;
cont1=0;
cont2=0;

if (sum(v)~=0 & prod(v)~= 1)
83

for i=1:col
if v(i)==1
cont1=cont1+1;
end
if v(i)==0
cont2=cont2 +1;
end
end
%disp(grupo1)
%disp(grupo2)
pm1=mean(grupo1);
pm2=mean(grupo2);
% Calculo da aptido
f = sum((pm1 -pm2).^2,2);
else
f=0;
end
84
Caso: Padro de bits

Programas:
pso2.m
f3.m
%function beta=pso2(pop,mov,omega,fobj)
function beta=pso2(pop,mov,omega,fobj,gr,amost)
% beta=pso(pop,mov,omega,fobj)
% Particle Swarm Optimization para maximizacao de funes
%
% Implementao: Influncia em anel
%
% Urias Novaes
%
% OUTPUTS:
%
beta
= Melhor posio do processo de evolucao, ou aquela para
o
%
qual a funo objetivo atinge o mximo
%
% INPUTS:
% pop
= Tamanho da populao
% mov
= Nmero de movimentos do processo evolutivo
% omega
% fobj
%
amost
= Dimenso do espao de busca

= Funo objetivo
= Nmero de iteraes para apresentao do melhor
indivduo
%
durante evoluo (Se amost = 0, no apresenta)
% Gera populacao aleatoria

populacao = round(rand(pop,omega));
% Inicializa com zeros aptido individual anterior

% e aleatriamente uma posio anterior
85
for i=1:pop,
aptindh(i)=0;
posindh(i,:)=round(rand(1,omega));
end;
% Inicializa com zero aptido geral da vizinhana anterior
for i=1:pop,
aptvizh(i)=0;
posvizh(i,:)=round(rand(1,omega));
end
% Inicializao com zero a melhor aptido
aptgerh=0;
% Evolui ate o numero de movimentos ser alcancado
for i=1:mov,
% Calcula posies e aptides individuais
for k=1:pop,
str = [fobj,'(populacao(k,:))'];
aptind(k)=eval(str);
posind(k,:)=populacao(k,:);
end;
% Compara a atual posio individual com a anterior e salva a melhor

for k=1:pop
if (aptind(k)>aptindh(k)),
aptindh(k)=aptind(k);
posindh(k,:)=populacao(k,:);
end;
end;
86
% Compara a melhor posio geral com a anterior e salva a melhor

[lm,cm]=max(aptind);
aptger=aptind(1,cm);
posger(1,:)=posind(cm,:);
if (aptger > aptgerh),
aptgerh=aptger;
posgerh=posger;
end
% Calcula a melhor aptido da vizinhana

% Primeiro elemento
if(aptind(1)>aptind(2)),
else
end;
if(aptind(pop)>aptviz(1)),
aptviz(1)=aptind(pop);
posviz(1,:)=posind(pop,:);
end;
% Todos os elementos com exceo do primeiro e ltimo

for k=2:pop-1,
if(aptind(k-1)>aptind(k)),
aptviz(k)=aptind(k-1);
posviz(k,:)=posind((k -1),:);
else
aptviz(k)=aptind(k);
posviz(k,:)=posind(k,:);
end;
if(aptind(k+1)>aptviz(k)),
aptviz(k)=aptind(k+1);
posviz(k,:)=posind((k+1),:);
87
end;
end;
% ltimo elemento
if(aptind(pop)>aptind(pop -1)),
aptviz(pop)=aptind(pop);
posviz(pop,:)=posind(pop,:);
else
aptviz(pop)=aptind(pop -1);
posviz(pop,:)=posind((pop-1),:);
end;
if(aptind(1)>aptviz(pop)),
aptviz( pop)=aptind(1);
posviz(pop,:)=posind(1,:);
end;
% Compara a posio da vizinhana com a anterior e salva a melhor
for k=1:pop
if (aptviz(k)>aptvizh(k)),
aptvizh(k)=aptviz(k);
posvizh(k,:)=posviz(k,:);
end;
end;
% Movimenta populao
clc;
% disp(aptind);
disp(posgerh);
disp(aptgerh);
%
pause;
for k=1:pop,
nposind(k,:)=mergebin(movebin(posind(k,:),posvizh(k,:)),movebin(posind
(k,:),posindh(k,:)));
88
end;
% Verifica se apresenta melhor indivduo na tela
%if amost ~= 0
%
if rem(i,amost)==0
% plot(posgerh,'^');
%pause
end
%end
% Atualiza populacao
for k=1:pop
populacao(k,:) = nposind(k,:);
end
%
clc;
disp(i);
disp(aptgerh);
end;
% Melhor individuo
beta = posgerh;
Programa: f3.m
function f=f1(v)
% Maximizao de 'uns' na primeira metade do cromossomo

% e de 'zeros'na segunda metade
f=0;
[lin,col]=size(v);
for i=1:col/2
89
if v(i)==1
f=f+1;
end
end
for i=col/2+1:col
if v(i)==0
f=f+1;
end
end
90
Caso: Funo matemtica

Programas:
pso2.m
(j listado)
f5.m
bintodec.m
programa: f5.m
function f=f1(v)
% Funo Polinomial
n=0.01*bintodec(v);
f= sin(3.*n).*(0.015.*n.^3-0.2.*n.^2+0.7.*n -1);
Programa: bintodec.m
function dec=bintodec(bin)
% dec=bintodec(bin)
% Transforma nmero binario em decimal
[l,c]=size(bin);
dec=0;
for i=1:c
dec=double(dec+bin(1,c-i+1).* 2.^(i -1));
end;
91

Urias Da Rosa Novaes

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Urias Da Rosa Novaes

Diunggah oleh

Hak Cipta:

Format Tersedia

AGRUPAMENTO DE DADOS ATRAVS DE ALGORTMOS SWARM

Urias da Rosa Novaes

TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS

UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS

MESTRE EM CINCIAS EM ENGENHARIA CIVIL.

RIO DE JANEIRO, RJ - BRASIL

NOVAES, URIAS DA ROSA

querida esposa Elizabete, pelas alegrias que me proporcionam , e sem os

Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos

AGRUPAMENTO DE DADOS ATRAVS DE ALGORITMOS SWARM

Urias da Rosa Novaes

Orientador: Nelson Francisco Favilla Ebecken

naturalmente desde a infncia.

Como uma atividade que encontra

mtodos cientficos que permitam sua realizao de forma automatizada

encontrados na natureza, buscam solues para problemas de otimizao.

desenvolvimento de operadores para o agrupamento de dados atravs de

So apresentados estudos de casos que demonstram a

Abstract of the Thesis

presented to COPPE/UFRJ as a partial fulfilment

of the requirements for the degree of Master of Sciences (M Sc.).

PARTICLE SWARM OPTIMIZATION FOR DATA CLUSTERING

Urias da Rosa Novaes

Advisor: Nelson Francisco Favilla Ebecken

The process of grouping real or abstract objects in similar classes

performed in an automated way with little or no human intervention.

The efficiency of particle swarm optimization

to solve clu stering problems is demonstrated through studies of cases.

1 . 0 I n t r o d u o ................................ ................................ ................................ ..................1

2 . 0 O p r o b l e m a d e A g r u p a m e n t o ................................ ................................ ...................3

5 . 3 C o n j u n t o d e d a d o s R u s p i n i ................................ ................................ ................ 36

7 . R e f e r n c i a s B i b l i o g r f i c a s ................................ ................................ .......................52

A n e x o 1 - D a d o s d o c o n j u n t o I r i s ................................ ................................ ................ 53

A n e x o 2 - Pseudo - c d i g o d a i m p l e m e n t a o d o a l g o r i t m o ................................ .......56

A n e x o 3 - P r o g r a m a s f o n t e ................................ ................................ ...........................57

beneficiar de uma tcnica simples e eficiente na soluo de problemas

Esses benefcios so mais expressivos

para resoluo de problemas de otimizao no lineares, onde os mtodos

processo geralmente modelado a partir de um processo da natureza.

processo modelado tende a melhorar as solues aproximando assim a

minimizar as diferenas das caractersticas dos elementos de um mesmo

denominada Particle Swarm Optimization (PSO), orientada resoluo

topologias de implementao, vantagens e desvantagens.

implementao de algoritmo em computador e anlise de desempenho.

possveis linhas de pesquisa na rea de Particle Swarm Optimization.

2.0 O problema de Agrupamento

pessoas, fatos, objetos, etc. e os aprimora e os utiliza no dia a dia.

esquemas ou mtodos de agrupamento ?

Imagine por exemplo o caso de

uma administradora de carto de crdito que precisa oferecer cartes de

diversas reas como clculo de risco para seguradoras, identificao de

terrenos em loteamentos, etc.

semelhantes aos demais objetos dos outros grupos.

aplicado sem alguma subjetividade.

Como exemplo, dado um conjunto

de barcos, avies e automveis, o mesmo poderia ser agrupado em 3

Essa parece ser a forma de agrupamento mais bvia,

mas certamente no a nica.

Se entre os barcos existirem barcos a

vela, uma outra forma de agrupamento igualmente consistente e tambm

mecnica e veculos que se movem com propulso natural.

atravs da definio de um critrio de similaridade, o que servir como

Cada objeto pode

importante para a obteno de bons resultados em qualquer mtodo de