Um Algoritmo GRASP Aplicado ao Problema dos k-medoids

Transcrição

1 Um Algoritmo GRASP Aplicado ao Problema dos k-medoids José Adré de Moura Brito Escola Nacioal de Ciêcias Estatística ENCE/IBGE Rua Adré Cavalcati, 106, sala 403, Cetro Rio de Jaeiro RJ. Gustavo da Silva Semaa Uiversidade Federal Flumiese Istituto de Computação UFF/IC Caixa Postal 68511, CEP: , Rio de Jaeiro, RJ, Brasil RESUMO O presete trabalho traz uma ova proposta para a resolução de um problema de agrupameto cohecido a literatura como o problema dos k-medoids. Neste problema, dado um cojuto de objetos com p atributos, e fixado o úmero de grupos, deve-se selecioar, detre os objetos, k objetos deomiados medoids (ou objetos represetativos). Os demais objetos serão alocados ao medoid correspodete mais próximo, segudo uma medida distâcia. Desta forma, busca-se a determiação dos k medoids de forma que a soma das distâcias dos demais objetos ao seu respectivo medoid seja a meor possível. Assim como em outros problemas de agrupameto, este problema é NP-difícil. De forma a resolver este problema, propõe-se o presete trabalho um algoritmo que utiliza os coceitos da metaheurística GRASP. A última seção traz algus resultados computacioais para um cojuto de istâcias da literatura, cosiderado a aplicação do GRASP, de três algoritmos da literatura e de uma formulação exata. PALAVRAS CHAVE: Medoids, Aálise de Agrupametos, Metaheurística GRASP. MH. ABSTRACT This paper presets a ew proposal to solve a clusterig problem kow i the literature as the k-medoids clusterig problem. Give a set of objects (each oe has p attributes) ad give a specific umber of groups (k), this problem aims to select k objects, called medoids k objects which miimize a fitess fuctio. The remaiig objects are allocated to the correspodig medoid closest, accordig to a distace measure. Thus, it seeks to determie the k medoids which miimize the sum of distaces from other objects to their respective medoids. This problem is NP-hard ad i order to solve it, this paper proposes a heuristic algorithm based o GRASP metaheuristic. The computatioal results are preseted i the last sectio, ad a set of istaces from the literature are cosidered. Furthermore, the results of proposed GRASP were compared with others three algorithms of the literature ad oe exact formulatio. KEYWORDS: Medoids, Cluster Aalysis, GRASP, metaheuristics. 2088

2 1. Itrodução Segudo Ta et al. (2009) a mieração de dados combia técicas tradicioais de aálise de dados e algoritmos sofisticados para processar grades bases de dados. A partir da aplicação destas técicas e algoritmos é possível produzir iformações úteis e, cosequetemete, aálises importates o que cocere às bases de dados. Em particular, tem sido crescete os últimos aos o úmero de aplicações estudadas em mieração de dados que podem ser mapeadas em um problema de agrupameto. Neste setido, a aálise de agrupametos é uma tarefa de mieração de dados que tem sido muito explorada e utilizada em diversos domíios como a Biologia, Estatística, Seguros, Medicia, detre outros. Basicamete, a aálise de agrupametos é uma tarefa da etapa de mieração de dados o processo de descoberta de cohecimeto em bases de dados (do iglês Kowledge Discovery i Databases (KDD)) que tem por objetivo a costrução de grupos (ou clusters) a partir de uma base de dados composta por objetos (registros) com p atributos. Estes grupos, por sua vez, são costruídos de forma que teham um alto grau de homogeeidade iteramete e um baixo grau de homogeeidade etre si. Para realizar a alocação dos objetos aos grupos e, cosequetemete, avaliar a homogeeidade dos mesmos, utiliza-se uma fução objetivo que está associada a algum tipo de distâcia, como a euclidiaa. Em face das iúmeras aplicações de aálise de agrupametos e da complexidade de resolução deste problema, ecotram-se a literatura diversos métodos de agrupameto que podem ser classificados, basicamete, como ão hierárquicos e hierárquicos. Em particular, propõe-se este trabalho um ovo algoritmo de agrupameto ão hierárquico para a resolução do problema dos k-medoids. Este algoritmo utilizou os coceitos da metaheurística GRASP. O presete trabalho está dividido da seguite forma: A seção dois traz uma descrição dos pricipais coceitos de aálise de agrupametos; a seção três apreseta o problema dos k-medoids, a sua formulação exata e cometa os pricipais trabalhos da literatura. Na seção quatro é feita uma descrição da metaheurística GRASP e do ovo algoritmo proposto. E fialmete, a seção cico traz um cojuto de resultados computacioais obtidos a partir da aplicação deste algoritmo, da formulação e de três algoritmos da literatura em istâcias da literatura e artificiais. 2. Aálise de Agrupametos Atualmete, a aálise de agrupametos vem sedo utilizada com sucesso em diversas áreas (Hair et al., 2009, Migoti, 2007), tais como aquelas coceretes ao Recohecimeto de Padrões, à Biologia, aos Seguros, à Busca a Web e à Estatística, detre outras. Em lihas gerais, ao se aplicar uma aálise de agrupametos, o objetivo é resolver o problema de particioar um cojuto de objetos (registros) de uma base de dados em subcojutos disjutos deomiados clusters (ou grupos). Estes clusters, por sua vez, são defiidos de forma que os objetos alocados a um mesmo cluster sejam similares etre si (cosiderado alguma métrica) e que os objetos pertecetes a grupos diferetes sejam dissimilares. Neste caso, a métrica está associada a uma medida de distâcia que cosidera os p atributos (variáveis) dispoíveis para cada um dos objetos. Detre estas medidas, destacam-se: a distâcia euclidiaa, a distâcia de Mahatta e a distâcia de Mikowski (Kaufma e Rousseeuw, 1989). As medidas associadas à similaridade ou à dissimilaridade etre os objetos (tomados dois a dois) são obtidas por meio de trasformações a partir de dados quatitativos ou qualitativos (Kaufma e Rousseeuw, 1989). A figura 1 traz um exemplo de agrupameto baseado o posicioameto de oito objetos com dois (p=2) atributos. 2089

3 X2 X1 Figura 1- Exemplo de um Agrupameto Se o úmero de grupos é um dos parâmetros defiidos a priori, temos um problema de agrupameto clássico. Caso cotrário, defie-se um problema de agrupameto automático (Cruz, 2010 e Naldi, 2011). Formalmete, dado um cojuto X formado por objetos, X= {x 1, x 2,..., x } com p atributos e, defiido um iteiro k correspodete ao úmero de clusters, devem ser costruídos k clusters C 1, C 2,..., C k, cosiderado as três restrições a seguir: (i) (ii) (iii) C 1 C 2... C k = X C i C j =, i,j=1,...,k (i<j) C i 1, i=1,...,k A restrição (i) idica que a uião dos clusters correspode ao cojuto X. A restrição (ii) idica que um objeto pertece a exatamete um cluster e a restrição (iii) garate que ão existem clusters vazios. Em geral, a determiação do agrupameto ótimo para muitas aplicações reais é impraticável. Etede-se por agrupameto ótimo a partição de X que produz os clusters mais homogêeos, segudo algum critério de similaridade (medida de distâcia). Este fato é decorrete de que o úmero de partições (soluções) possíveis para este problema é impactado diretamete pelo úmero de objetos da base de dados associada à aplicação. Mais especificamete, o úmero de soluções possíveis para o problema de agrupameto clássico está associado ao úmero de Stirlig de segudo tipo (Johso e Wicher, 2002), dado pela equação abaixo: 1! k k j= 0 ( 1) k j k j j Supodo, por exemplo, que = 20 objetos serão alocados em dois clusters, o úmero de soluções a serem cosideradas é de Mas, matedo o mesmo úmero de clusters e apeas dobrado o úmero de objetos, temos soluções possíveis. Ao cosiderar um úmero maior de objetos, estes valores crescem expoecialmete. Este fato tora proibitiva a resolução deste problema mediate a aplicação de um método de eumeração exaustiva. Não obstate, abrido-se mão do ótimo global, é possível produzir soluções viáveis de qualidade razoável a expesas de um tempo computacioal factível. Essas soluções podem ser produzidas mediate a aplicação de um método hierárquico ou de um método ão hierárquico (Hair et al., 2009, Migoti, 2007). Estes métodos ecotram soluções (clusters) de boa qualidade (razoáveis) sem examiar todas as soluções possíveis. Os métodos hierárquicos, por sua vez, dividem-se em aglomerativos e divisivos. Em um método aglomerativo, iicialmete há grupos de um objeto cada, sedo efetuadas uma série de uiões até obter k grupos. Já o método divisivo, iicialmete há um úico grupo formado por objetos, sedo efetuadas sucessivas divisões dos grupos até que sejam atigidos k grupos. (1) 2090

4 Existem vários métodos hierárquicos que diferem somete a escolha do critério de partição. Uma desvatagem desses métodos é a possibilidade de torarem-se impraticáveis para grades cojutos de dados, devido à alta complexidade computacioal do problema (Michaud, 1997). Os métodos ão hierárquicos procuram ecotrar uma partição viável dos objetos sem a ecessidade de associações hierárquicas. Primeiramete, uma partição iicial com um determiado úmero k de clusters deve ser cosiderada. A seguir, selecioa-se uma partição dos objetos em k grupos, otimizada segudo algum critério. Detre os métodos ão hierárquicos dispoíveis a literatura, os mais utilizados são o k-meas (Migoti, 2007) e dos k-medoids (Kaufma e Rousseeuw, 1989). Em particular, este último método está associado ao problema que foi o objeto de estudo deste trabalho. 3. O Problema dos k-medoids Dado um cojuto X costituído por objetos X= {x 1,x 2,...,x } com p atributos (quatitativos e/ou qualitativos), deve-se selecioar, detre os objetos de X, um subcojuto de k objetos que defiem o cojuto de medoids M={x m1,x m2,..., x mk }, também chamados de objetos represetativos (Kaufma e Rousseeuw, 1989). Uma vez defiidos os medoids, os (-k) objetos restates serão alocados ao grupo G i (i=1,..., k) cujo medoid esteja mais próximo, segudo alguma medida de distâcia, como, por exemplo, a distâcia euclidiaa. Sedo assim, o cojuto M é defiido de forma que miimizar a fução objetivo defiida pela média (por grupo) das distâcias de todos os objetos aos seus respectivos medoids: k d xmi x j f = (2) G i= 1 x j Gi i A figura abaixo ilustra um exemplo deste problema com sete objetos com dois atributos e dois medoids. Neste exemplo, temos que os objetos sete e quatro são alocados ao grupo 1, cujo medoid correspode ao objeto dois. E, de igual forma, os objetos um, três e cico são alocados ao grupo 2, cujo medoid correspode ao objeto seis. Cosiderado estes grupos, temos que f = d 24 +d 27 +d 61 +d 63 +d 65 Figura 2 - Agrupameto com Dois Medoids Coforme cometado a seção aterior, a obteção do ótimo global para problemas de agrupameto, em particular o problema dos k-medoids, mediate a aplicação de um método de eumeração exaustiva é impraticável, tedo em vista a substacial quatidade de soluções que devem ser avaliadas. Alterativamete, este ótimo pode ser obtido através da resolução da formulação de programação matemática (Kaufma e Rousseeuw, 1989) apresetada a seguir. 2091

5 3.1 Formulação e Algoritmos da Literartura Miimizar d ij x i= 1 ij i= 1 j= 1 ij (3) x = 1, j = 1,..., (4) xij yi, i = 1,...,, j = 1,..., (5) y i = k (6) i= 1 yi, xij {0,1}, i, j = 1,..., (7) Nesta formulação, y i é uma variável biária que assume valor um se o objeto x i é defiido como medoid, e zero em caso cotrário, e x ij é uma variável biária que assume valor um se o objeto x j é alocado ao grupo defiido pelo medoid x i. A restrição (4) garate que cada objeto x j será alocado a exatamete um grupo. A restrição (5) garate que um objeto x j será associado a um objeto x i somete se este objeto for um medoid e a restrição (6) garate que serão escolhidos exatamete k objetos como medoids. Fialmete, a fução objetivo (3) miimiza a soma das distâcias d ij (dissimilaridades) etre os objetos x j e os seus respectivos medoids. Aalisado x ij e y i, pode-se observar que o úmero de variáveis biárias desta formulação é de ordem quadrática, mais especificamete, a formulação acima tem 2 + variáveis biárias e restrições. Apeas para que se teha uma ideia do porte dessa formulação, se forem cosiderados = 1000 objetos, o úmero de variáveis biárias será da ordem de Em fução desta última observação, a aplicação dessa formulação é pertiete quado o úmero de objetos é pequeo, ou seja, o máximo da ordem de ceteas. E mesmo assim, a sua resolução pode levar ao cosumo expressivo de tempo computacioal produzido, em muitos casos, apeas uma solução subótima. Não obstate, abrido-se mão do ótimo global, é possível produzir soluções viáveis mediate a aplicação de algus algoritmos heurísticos dispoíveis a literatura. Neste setido, um dos algoritmos mais cohecidos e utilizados para este problema é o algoritmo PAM (Partitioig Aroud Medoids), proposto por Kaufma e Rousseeuw (1989). Em lihas gerais, esta heurística efetua a costrução dos agrupametos mediate a aplicação de dois procedimetos determiísticos, sejam eles: Build e Swap. O primeiro procedimeto é resposável pela costrução de uma solução viável, e o segudo procedimeto tem caráter similar ao de uma busca local que atua sobre a solução produzida pelo procedimeto Build. Kaufma e Rousseeuw (1989) também propuseram uma versão modificada da heurística PAM, deomiada CLARA (Clusterig Large Applicatios). Esta heurística pode ser aplicada em bases de dados de dimesão elevada (muitos objetos), cosiderado a combiação de uma amostragem aleatória simples e do algoritmo PAM. Isto é, em vez de determiar os k medoids cosiderado os objetos, esta heurística selecioa m amostras aleatória simples compostas por objetos da base de dados ( < ), aplicado, em seguida, a heurística PAM em cada uma dessas amostras. Neste caso, a solução do problema dos k-medoids correspoderá à melhor solução (meor valor da fução objetivo) ecotrada detre as m soluções (amostras). Em um trabalho mais recete, Ha ad Ng (2002) propuseram uma ova versão dessa heurística deomiada CLARANS, que utiliza uma técica de computação mais itesiva para determiação dos medoids. Em Park e Ju (2009) foi apresetado um algoritmo para os k-medoids que utiliza algumas ideias do algoritmo k-meas. Somam-se a essas abordages os trabalhos de Sheg e Liu (2004), Zhag e Couloiger (2005), Chu et al. (2008) e Brito et al. (2010). Cosiderado um efoque baseado em uma estratégia de busca local mais eficiete, a seção seguite traz a proposta de um ovo algoritmo para o problema dos k-medoids, que teve por base, as ideias da metaheurística GRASP. Iicialmete, com objetivo de propiciar um bom etedimeto dessa 2092

6 proposta, são apresetados os coceitos da metaheurística GRASP, fazedo-se em seguida uma descrição do ovo algoritmo. 4. Metodologia Proposta 4.1 Metaheurística GRASP A metaheurística GRASP (Greedy Radomized Adaptive Search Procedure) (Glover ad Kocheberger, 2002) é um procedimeto iterativo utilizado para resolver problemas de otimização combiatória. Cada iteração desta metaheurística cosiste de duas fases, sejam elas: costrução e busca local. A fase de costrução é caracterizada pela produção de uma solução viável S o cuja vizihaça é ivestigada a fase busca local. A melhor solução obtida após todas as iterações será a solução do problema. Para costrução da solução S o é cosiderada uma lista de cadidatos (LC) formada por todos os elemetos que se icorporados em S o ão a toram iviável. Uma vez defiida a LC, deve-se avaliar todos os seus elemetos mediate a aplicação de uma fução gulosa g(.), que represeta o custo de se adicioar um ovo elemeto t LC a solução S o. Com o objetivo de possibilitar uma maior variabilidade as soluções produzidas esta fase, defie-se uma lista de cadidatos restrita (LCR), formada pelos melhores elemetos avaliados a LC através de uma fução g. Ou seja, aqueles que se icorporados à solução em costrução produzem um acréscimo míimo (problema de miimização). Este processo represeta o aspecto guloso do GRASP, pois se cosidera sistematicamete os melhores elemetos para serem iseridos a solução. O trabalho de Feo e Resede (1995) descreve dois possíveis esquemas para a costrução da LCR, sejam eles: (i) um iteiro q é fixado e os q melhores cadidatos, ordeados a LC segudo algum critério, são selecioados para compor a LCR e (ii) em cada iteração da fase de costrução, deota-se respectivamete por g mi e g max os meores e maiores acréscimos provocados pela iserção de um elemeto t LC a solução, segudo a avaliação de um fução gulosa g(.). A partir da aplicação dessa fução e da utilização dos valores g mi e g max, pode-se defiir: LCR={ t LC g(t) g mi + α(g max - g mi ), α [0,1]}. Quado α=0, o procedimeto de costrução tora-se guloso e quado α=1, produz-se uma solução aleatória, tedo em vista que a LCR terá todos os elemetos da LC. Tomado-se um valor itermediário para α o procedimeto tora-se semi-guloso. 4.2 O Algoritmo GRASP para o Problema dos k-medoids Represetação das Soluções Assim como em outros problemas de otimização, o primeiro passo para a aplicação do algoritmo cosiste da defiição de uma estrutura que represete a solução. Neste setido, cada solução produzida pelo GRASP proposto correspode a um vetor v com k posições, sedo cada posição ocupada pelo código do objeto que foi escolhido como medoid. Supodo, por exemplo, =50 e k=3, temos que v ={4,17,32} é uma solução ode os medoids são os objetos 4, 17 e 32. Uma vez defiidos os medoids, e por cosequêcia os clusters, alocação de cada um dos (-k) objetos restates é feita coforme descrito a seção três, ou seja, alocado cada objeto ao medoid cuja distâcia seja míima Procedimeto de costrução: Iicialmete, defie-se uma lista de cadidatos LC cujos elemetos correspodem aos objetos da base de dados e em seguida, calcula-se para cada um dos objetos, a soma das distâcias deste objeto aos demais (equação 8): 2093

7 di = dij, i = 1,..., j= 1 j<> i (8) A partir destas distâcias, defie-se para cada um dos objetos x i, uma probabilidade de seleção p i tal que p i =1/d i. Dessa forma, quato meor a soma associada à d i, maior será a probabilidade de seleção desse objeto como primeiro medoid a compor a solução So. Uma vez selecioado o primeiro objeto, atualiza-se a LC e cada um (k-1) medoids restates serão defiidos cosiderado os passos listados a seguir: (1) Selecioar da LC uma amostra aleatória de tamaho l correspodete a 15% dos objetos restates. (2) Combiar cada objeto da amostra com os s (s<k) medoids adicioados até o mometo em S o, ou seja, há l vetores correspodetes às l soluções parciais (medoids). (3) Para cada um dos vetores, alocar os (-s-1) objetos restates ao seu medoid mais próximo. (4) Calcular o valor da fução objetivo apresetada a equação dois, que correspoderá ao valor da fução gulosa g i. (5) Defiir a lista de cadidatos restrita (LCR) segudo a seguite equação: LCR={ i LC g i g mi +0.2(g max -g mi )}. (6) Selecioar da LCR um elemeto i que correspode ao objeto x i que foi combiado com os medoids que compõem a solução S o até o mometo. (7) Adicioar x i a S o e remover x i da LC. Na costrução acima, g max e g mi correspodem, respectivamete, à pior e a melhor solução parcial (cojuto de objetos associados aos medoids) cosiderado a fução objetivo da equação (2). Os passos acima são repetidos até que a solução So teha k objetos selecioados da LC correspodetes ao medoids. O exemplo a seguir ilustra a aplicação do procedimeto de costrução, supodo que =20 e k=4, e que o primeiro objeto selecioado (cosiderado as probabilidades de seleção p i ) seja o objeto 10, temos que So={10}. Quadro 1- Exemplo de uma solução cosiderado o procedimeto de costrução do GRASP Solução até o mometo (parcial) Objetos selecioados da LC Combiações Avaliadas (medoids cadidatos) Objetos da LCR Objeto Selecioado da LCR So={10} 3, 8, 9, 12, 19 {10,3},{10,8},{10,9}, 3, 12, 19 3 {10,12}, {10,19} So={10,3} 1, 4, 12,17, 18 {10,3,1},{10,3,4}, 4, 12, 17, {10,3,12},{10,3,17} {10,3,18} So={10,3,17} 2, 5,14,16 {10,3,17,2},{10,3,17,5}, 2, {10,3,17,14},{10,3,17,16} Após iserção do elemeto 14, temos uma solução iicial So para o problema dos k-medoids formada por {10, 3, 17, 14} que correspodem aos medoids iiciais Procedimeto de Busca Local: Uma vez aplicado procedimeto de costrução, a busca local produz ovas soluções explorado uma estrutura de vizihaças associada aos medoids de S b (melhor solução obtida até o mometo, que iicialmete é a solução S o ). Mais especificamete, selecioa-se o cluster mais heterogêeo (pior), ou seja, com maior valor de fução objetivo, e aplica-se uma ordeação às distâcias dos objetos deste cluster ao seu medoid. Em seguida, efetua-se o cálculo dos decis cosiderado a distribuição destas distâcias. Os valores dos decis serão utilizados para defiir 2094

8 quatro vizihaças, quais sejam: vizihaça 1 (V 1 ) = 1º decil e 9º decil; vizihaça 2 (V 2 )= 2º decil e 8º decil; vizihaça (V 3 ) = 3º decil e 7º decil e vizihaça (V 4 ) = 4º decil e 6º decil. Ao aplicar a vizihaça um, são selecioados do cluster pior todos os objetos cujas distâcias ao respectivo medoid sejam meores ou iguais ao 1º decil ou cujas distâcias sejam maiores ou iguais ao 9º decil, sedo feita uma costrução aáloga para as demais vizihaças. Todos os objetos selecioados em cada uma das vizihaças são utilizados como medoids que são combiados com os medoids dos demais clusters, com a vizihaça 1 tomada como poto de partida. São listados a seguir os passos da busca local: (1) Verificar qual o cluster mais heterogêeo em S b. (2) Calcular os decis relacioados às distâcias desse cluster. (3) Defiir as vizihaças e o seus respectivos objetos. (4) Tomar cada um dos objetos da q-ésima vizihaça e combiar com os medoids dos demais clusters. (5) Alocar os (-k) objetos restates ao seu medoid mais próximo. (6) Recalcular a fução objetivo. (7) Se houver redução a fução, atualize S b, faça q=1 (vizihaça 1) e retore ao passo (1). Caso cotrário, icremete a vizihaça (q=q+1) e vá para o passo 4. A busca acima será fializada quado as quatro vizihaças tiverem sido exploradas e ehuma melhoria for alcaçada a última vizihaça. Uma vez cocluída a busca local, verifica-se, detro de cada um dos clusters, qual o objeto tem a meor a soma de suas distâcias aos demais objetos, sedo este objeto defiido como ovo medoid. Cosidere, por exemplo, que k=3, =100, So ={13, 25,36}, 1 =30, 2 =25, 3 =45 ( o de objetos alocados a cada cluster) e que o primeiro cluster fosse o mais heterogêeo. Neste caso, os decis seriam calculados a partir das 29 distâcias etre cada um dos objetos e o medoid 13, implicado a costrução de 29 soluções compostas por cada um destes objetos e os objetos 25 e 36. Por sua vez, cosiderado cada uma destas soluções, efetua-se alocação dos 97 objetos restates ao medoid mais próximo e calcula-se o valor da fução objetivo. Se houver uma redução o valor da fução, atualiza-se a solução S b com os ovos medoids e retora-se ao passo iicial da busca local, qual seja, a idetificação do pior cluster e o recálculo dos decis. Caso a melhoria ão ocorra, procede-se à busca a vizihaça dois, cosiderado a combiação etre cada um dos objetos associados a esta vizihaça e os objetos 25 e 36, sedo este procedimeto aplicado as quatro vizihaças. 5. Resultados Computacioais A presete seção traz um cojuto de resultados computacioais obtidos dos algoritmos GRASP, Park e Ju, PAM e CLARA. Os dois primeiros algoritmos foram implemetados em liguagem R (versão ) e os algoritmos PAM e CLARA estão dispoíveis a library cluster do software R. Além desses algoritmos, programou-se o software LINGO (versão 12.0) a formulação descrita a seção 3.1. Todos os experimetos foram efetuados em um computador com 24GB de memória RAM e dotado de oito processadores de 3.40 GHz (I7). Em face desta última observação e do software R dispoibilizar uma library com fuções de paralelismo, o procedimeto de costrução do GRASP foi paralelizado, com objetivo de reduzir o tempo computacioal do algoritmo. Mais especificamete, ao ivés de efetuar m execuções combiado os procedimetos de costrução e de busca local, são realizadas, em um primeiro mometo, apeas as m execuções associadas ao procedimeto de costrução, sedo essas execuções distribuídas detre os oito processadores. Posteriormete, são realizadas m execuções do algoritmo submetedo cada solução costruída à busca local e, escolhedo-se o fial, a melhor detre as m soluções. 2095

9 De forma a avaliar a eficiêcia do algoritmo GRASP o que cocere à qualidade das soluções produzidas, foi realizado um cojuto de experimetos computacioais com 30 istâcias. Quato à origem, estas istâcias são classificadas em três grupos, quais sejam: (1) da literatura, sedo citadas e utilizadas, por exemplo, o trabalho de Semaa et al. (2012) (2) os sites do IBGE ( e da uiversidade da Califória (archive.ics.uci.edu/ml/) e (3) geradas artificialmete o software R. A tabela a seguir traz o ome da istâcia, o seu úmero de objetos () e atributos (p) e a sua origem. Tabela 1 Iformações sobre as Istâcias Istâcia p Origem Istâcia p Origem DS1-200DATA DS3-umbers DS1-broke-rig DS3-outliers DS1-chart DS4-ecoli DS1-gauss DS4-haberma DS1-iris DS4-idh DS1-maroa DS4-idia DS1-ruspii DS4-pib DS1-spherical_4d3c DS4-sythetic_cotrol DS1-vowel DS4-wpbc DS1-wie DS4-SP_LAVOURA DS1-yeast DS4-PIB_MINAS DS2-400p3c DS4-Gamma DS3-2face DS4-Normal DS3-face DS4-Uiform DS3-moreshapes DS4-Uiform Nestes experimetos, as 30 istâcias foram submetidas aos quatro algoritmos e à formulação, cosiderado o úmero de grupos (k) variado etre 3 e 7, ou seja, um total de 150 soluções (30 x úmero de grupos). Tedo em vista que todas as istâcias têm apeas atributos quatitativos, utilizou-se a distâcia euclidiaa para o cálculo das distâcias dos objetos aos seus respectivos medoids. E, o que cocere à aplicação do algoritmo GRASP, em todos os experimetos realizados, o úmero m de iterações foi fixado em 25 e o parâmetro α foi fixado em Esses dois parâmetros foram ajustados experimetalmete a priori, mediate a execução do GRASP para um subcojuto de seis istâcias detre as istâcias listadas a tabela 2. Mais especificamete, o algoritmo foi aplicado em cada uma dessas istâcias, cosiderado a seguite combiação de parâmetros: m= {25, 50, 100, 200} e α={0.10, 0.15, 0.20, 0.25}. Em seguida, as 92 soluções produzidas (6. m. α ) foram avaliadas o que cocere ao valor da fução objetivo, sedo tomada a combiação de m e α correspodete ao maior quatitativo de soluções ótimas. As tabelas de dois até quatro trazem os resultados produzidos pelos quatro algoritmos e pela formulação. Nessas tabelas, os valores destacados em ciza idicam os casos em que os algoritmos produziram o ótimo global, e os valores em egrito correspodem à melhor solução viável produzida por um ou mais dos algoritmos. Uma aálise dessas tabelas mostra que o GRASP teve um desempeho superior aos demais algoritmos, o que cocere ao quatitativo de soluções ótimas. Acresceta-se, aida, que das 150 soluções produzidas, a formulação produziu o ótimo global em 132 casos, uma solução viável em 11 casos e ão produziu ehuma solução em 7 casos. O valor de 132 foi iicialmete utilizado como base para o cálculo do percetual de ótimos globais produzidos por cada um dos algoritmos (vide gráfico 1). Neste setido, em 94% dos casos o algoritmo GRASP produziu o ótimo global, seguido pelos algoritmos PAM, de ParkJUN e CLARA, com percetuais de, respectivamete, 74, 23 e 12. Ao cosiderar a melhor solução obtida para todos os casos (150 = 30 istâcias x grupos) e por grupo (30 istâcias), observou-se, ovamete, a superioridade do GRASP em relação à formulação e aos demais algoritmos. A partir de uma aálise do gráfico dois, observa-se que o GRASP obteve um percetual de soluções melhores da ordem de 91%, seguido pela formulação e pelos algoritmos PAM, ParkJu e CLARA, com respectivos percetuais da ordem de 87%, 65%, 23% e 11%. Ao aalisar este gráfico por grupos, ovamete observa-se um desempeho superior do GRASP excetuado-se, apeas, o caso de seis grupos, ode o percetual de melhores soluções produzidas pela formulação foi da ordem de 87% e o pelo GRASP foi de 83%. 2096

10 A tabela cico traz, por estrato, a mediaa e a média dos tempos de processameto dos quatro algoritmos e da formulação. Uma aálise dessa tabela mostra que os algoritmos de ParkJUN, PAM e CLARA tiveram um performace superior ao GRASP e à formulação. Particularmete, em relação ao GRASP, esse fato era esperado, uma vez que estes algoritmos são basicamete heurísticas dissociadas de procedimetos de costrução e de busca local mais itesivos como caso do GRASP. Aida que o algoritmo GRASP ão seja tão eficiete quato os demais algoritmos, o que cocere aos seus tempos de execução, o mesmo é mais eficaz o que diz respeito ao quatitativo de soluções ótimas. Neste setido, vale destacar que a difereça etre os percetuais associados aos quatitativos de ótimos globais do GRASP e do 2º melhor algoritmo (PAM) foi de 20%, sedo este percetual bem sigificativo. Acresceta-se, que aida, os seus tempos de processameto médio e mediao ficaram abaixo dos 30 segudos. Os bos resultados apresetados para istâcias de dimesão variada idicam que o GRASP pode ser uma alterativa para resolução do problema dos k-medoids. Não obstate, em trabalhos futuros, serão implemetadas ovas buscas locais baseadas, por exemplo, o Path Relikig e o método VNS (Glover ad Kocheberger, 2002). Estas ovas versões do GRASP serão comparadas com os algoritmos cosiderados este trabalho e com os algoritmos de Sheg e Liu (2004) e Chu et al. (2008). Também será efetuada uma modificação o procedimeto de busca local descrito este trabalho. Mais especificamete, de forma a iserir maior variabilidade esse procedimeto, será permitida a escolha de qualquer cluster o passo (1) da busca, ao ivés de sempre escolher o pior cluster. Tabela 2 Resultados dos Algoritmos e da Formulação (3 e 4 grupos) Istâcia k PAM CLARA ParkJUN GRASP Formulação k PAM CLARA ParkJUN GRASP Formulação DS1-200DATA , , , , , , , , , , DS1-broke-rig , , , , , , , , , , DS1-chart , , , , , , , , , , DS1-gauss , , , , ,35209* 4 0, , , , ,76724* DS1-iris , , , , , , , , , , DS1-maroa , , , , , , , , , , DS1-ruspii , , , , , , , , , , DS1-spherical_4d3c , , , , , , , , , , DS1-vowel , , , , , , , , , , DS1-wie , , , , , , , , , , DS1-yeast , , , , , , , , DS2-400p3c , , , , , , , , , , DS3-2face , , , , , , , , , , DS3-face , , , , , , , , , , DS3-moreshapes , , , , , , , , , , DS3-umbers , , , , , , , , , , DS3-outliers , , , , , , , , , , DS4-ecoli , , , , , , , , , , DS4-Gamma , , , , , , , , , , DS4-haberma , , , , , , , , , , DS4-idh , , , , , , , , , , DS4-idia , , , , , , , , , , DS4-Normal , , , , , , , , , , DS4-pib , , , , , , , , , , DS4-sythetic_cotrol , , , , , , , , , , DS4-Uiform , , , , , , , , , , DS4-Uiform , , , , , , , , , , DS4-wpbc , , , , , , , , , , DS4-SP_LAVOURA , , , , , , , , , , DS4-PIB_MINAS , , , , ,926303* 4 0, , , , , * (*) Melhor solução viável produzida pela formulação em 3 horas; - Nehuma solução viável produzida em 3 horas 2097

11 Tabela 3 Resultados dos Algoritmos e da Formulação (5 e 6 grupos) Istâcia k PAM CLARA ParkJUN GRASP Formulação k PAM CLARA ParkJUN GRASP Formulação DS1-200DATA , , , , , , , , , , DS1-broke-rig , , , , , , , , , , DS1-chart , , , , , , , , , , DS1-gauss , , , , ,646526* 6 0, , , , DS1-iris , , , , , , , , , , DS1-maroa , , , , , , , , , , DS1-ruspii , , , , , , , , , , DS1-spherical_4d3c , , , , , , , , , , DS1-vowel , , , , , , , , , , DS1-wie , , , , , , , , , , DS1-yeast , , , , , , , , DS2-400p3c , , , , , , , , , , DS3-2face , , , , , , , , , , DS3-face , , , , , , , , , , DS3-moreshapes , , , , , , , , , , DS3-umbers , , , , , , , , , , DS3-outliers , , , , , , , , , , DS4-ecoli , , , , , , , , , , DS4-Gamma , , , , , , , , , , DS4-haberma , , , , , , , , , , DS4-idh , , , , , , , , , , DS4-idia , , , , , , , , , , DS4-Normal , , , , , , , , , , DS4-pib , , , , , , , , , , DS4-sythetic_cotrol , , , , , , , , , , DS4-Uiform , , , , , , , , , , DS4-Uiform , , , , ,599060* 6 0, , , , ,546350* DS4-wpbc , , , , , , , , , , DS4-SP_LAVOURA , , , , , , , , , , DS4-PIB_MINAS , , , , , * 6 0, , , , ,052954* (*) Melhor solução viável produzida pela formulação em 3 horas; - Nehuma solução viável produzida em 3 horas Tabela 4 Resultados dos Algoritmos e da Formulação (7 grupos) Istâcia k PAM CLARA ParkJUN GRASP Formulação DS1-200DATA , , , , , DS1-broke-rig , , , , , DS1-chart , , , , , DS1-gauss , , , , DS1-iris , , , , , DS1-maroa , , , , , DS1-ruspii , , , , , DS1-spherical_4d3c , , , , , DS1-vowel , , , , , DS1-wie , , , , , DS1-yeast , , , , DS2-400p3c , , , , , DS3-2face , , , , , DS3-face , , , , , DS3-moreshapes , , , , , DS3-umbers , , , , , DS3-outliers , , , , , DS4-ecoli , , , , , DS4-Gamma , , , , , DS4-haberma , , , , , DS4-idh , , , , , DS4-idia , , , , , DS4-Normal , , , , ,563331* DS4-pib , , , , , DS4-sythetic_cotrol , , , , ,808662* DS4-Uiform , , , , , DS4-Uiform , , , , , DS4-wpbc , , , , , DS4-SP_LAVOURA , , , , , DS4-PIB_MINAS , , , , ,045120* (*) Melhor solução viável produzida pela formulação em 3 horas; - Nehuma solução viável produzida em 3 horas Tabela 5 Mediaa e Média (por grupo) dos Tempos de Processameto dos Algoritmos e da Formulação k=3 k=4 k=5 k=6 k=7 Mediaa Média Mediaa Média Mediaa Média Mediaa Média Mediaa Média PAM 0,02 0,04 0,03 0,06 0,03 0,07 0,05 0,08 0,06 0,12 CLARA 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 PARKJUN 0,81 1,49 0,82 1,53 0,89 1,49 0,81 1,49 0,88 1,49 GRASP 5,69 14,53 6,13 16,53 9,94 16,70 10,70 22,00 18,53 25,76 FORMU 101, ,5 102,5 1237,53 112,5 1728, , ,

12 Gráfico 1 Gráfico 2 Percetual de Soluções Ótimas Globais 100% Percetuais em Relação às Melhores Soluções 100% 90% 90% 80% 80% 70% 70% 60% GRASP 60% 50% Formulação 50% 40% 30% 40% 30% 20% PAM ParkJUN CLARA 20% 10% 0% GRASP Formulação PAM ParkJUN CLARA 10% 0% Todas Quatidade de Grupos Bibliografia Brito, J.A.M., Ochi L.S., Brito L.R. e Moteegro, F.M.T. Um algoritmo para o agrupameto baseado em K-Medoids. Revista Brasileira de Estatística, 71, p , Chu, S.C., Roddick J.F ad Pa J.S.. Improved Search Strategies ad Extesios to k-medoids-based Clusterig Algorithms. Iteratioal Joural of Busiess Itelligece ad Data Miig, 3, 2, , Cruz, M. D., O problema de clusterização automática, Tese de Doutorado, COPPE/UFRJ, Feo, T.A. ad Resede, M.G.C., Greedy radomized adaptive search procedures, Joural of Global Optimizatio, 6, pp , Glover, F. ad Kocheberger, G. A., Hadbook of Metaheuristic, First Editio Norwell: K1uwer Academic Publishers, Ha, J. ad Ng, R, CLARANS:A Method for Clusterig Objects for Spatial Data Miig. IEEE Trasactios Kowledge of Data Egierig 14(5), pp , Hair, J.F, Black, W.C, Babi, B.J., Aderso, R.E. e Tatham, R.L. Aálise Multivariada de Dados, Bookma, Sexta Edição, Johso A.R. e Wicher D.W.,. Applied Multivariate Statistical Aalysis. Pretice Hall. Fifth Editio, Kaufma L. e Rousseeuw P.J. Fidig Groups i Data A Itroductio to Cluster Aalysis. Wiley- Itersciece Publicatio, Liguagem R (versão ). ( Michaud, P.. Clusterig techiques. Future Geeratio Computer Systems, 14, , Migoti, S.A., Aálise de Dados Através de Métodos de Estatística Multivariada Uma Abordagem Aplicada, UFMG, 1ª Edição, Naldi, C. N.. Técicas de Combiação para Agrupameto Cetralizado e Distribuído de Dados. Tese de Doutorado, USP - São Carlos, Park H.S. ad Ju C.H.. A Simple ad Fast Algorithm for K-medoids Clusterig. Expert Systems with Applicatios, 36, 2, , Semaa, G.S., Cruz, M.D., Brito, J.A.M. e Ochi, L.S.. Proposta de um Método de Classificação Baseado em Desidade para a Determiação do Número Ideal de Grupos em Problemas de Clusterização. Learig ad NoLiear Models, 10, p , Sheg W. ad Liu X.. A Hybrid Algorithm for K-medoid Clusterig of Large Data Sets. Cogress o Evolutioary Computatio, 1, 77-82, Ta, P. N., Steibach, M. e Kumar V.. Itrodução ao Data Miig Mieração. Ciêcia Modera, Zhag, Q. ad Couloiger, I.. A New Efficiet k-medoid Algorithm for Spatial Clusterig. Lecture Notes i Computer Sciece, v3482, , Agradecimetos: À FAPERJ (projeto E-26/ /2012) e ao CNPQ (projeto /2012-1) pelo fiaciameto parcial deste estudo. 2099