Sind Sie auf der Suche nach besseren Lösungen für Clustering? Dieses Paper stellt einen neuartigen Ansatz vor, der als Constructive Genetic Algorithm (CGA) bezeichnet wird, um Optimierungsprobleme zu lösen, insbesondere im Kontext des Clustering. Der CGA bewertet Schemata und Strukturen auf einer gemeinsamen Basis durch einen bi-objektiven Optimierungsprozess, wodurch das Verhalten des genetischen Algorithmus (GA) verbessert wird. Probleme werden so modelliert, dass die Bewertung von zwei Fitnessfunktionen (fg-Fitness) berücksichtigt wird. Die Evolution berücksichtigt einen adaptiven Ablehnungsschwellenwert, der beide Ziele berücksichtigt und jedes Individuum in der Population einordnet. Die Population ist dynamisch in der Größe und besteht aus Schemata und Strukturen. Die Rekombination bewahrt gute Schemata, während die Mutation Strukturen diversifiziert. Der CGA wird auf zwei Graph-Clustering-Probleme angewendet: das klassische p-Median-Problem und das kapazitätsbeschränkte p-Median-Problem. Die Ergebnisse zeigen, dass dieser neue Ansatz gute Lösungen für Instanzen aus der Literatur bietet und ein neues Werkzeug zur Bewältigung komplexer Clustering-Herausforderungen darstellt.
Dieser Artikel, der in _Evolutionary Computation_ veröffentlicht wurde, ist hochrelevant für den Fokus der Zeitschrift auf evolutionäre Algorithmen und rechnerische Optimierungstechniken. Die Einführung des Constructive Genetic Algorithm (CGA) für Clustering-Probleme steht im Einklang mit dem Umfang der Zeitschrift. Die Studie demonstriert die Effektivität des CGA, indem sie ihn auf klassische Clustering-Probleme anwendet und sein Potenzial im Bereich der evolutionären Berechnung aufzeigt.