Методи негладкої оптимізації для роз”вязання задачі кластеризації

У кваліфікаційній роботі було досліджено використання методів негладкої оптимізації для розв’язання задачі кластеризації. Зокрема, було з’ясовано, що вони придатні для розв’язання такої задачі, оскільки розглянуті цільові функції, що є критеріями якості кластеризації двох відомих алгоритмів kmeans та p-medians, виявилися квазіопуклими і можуть бути мінімізовані такими методами. Через наявні порушення опуклості і яружність цільових функцій застосовані в роботі методи, а саме метод еліпсоїдів та r-алгоритм, не завжди працювали максимально ефективно і швидко. Метод еліпсоїдів виявився дуже чутливим до опуклості і через її порушення дуже повільно мінімізував яружний критерій kmeans, незважаючи на те, що він є субградієнтним методом з перетворенням простору, призначеним для роботи з функціями такого характеру. Більш стійким до таких функцій є r-алгоритм, і кластеризація за його допомогою при використанні критерію k-means відбувалася значно швидше на всіх розглянутих вибірках.

Цубін С. Методи негладкої оптимізації для роз”вязання задачі кластеризації : кваліфікаційна робота … бакалавра : 121 Інженерія програмного забезпечення / Цубін Софія. – Київ, 2022. – 54 с.