GRASP com path-relinking para agrupamento de dados biológicos

• Autor(a) principal: Rafael de Magalhaes Dias Frinhani
• Data de Publicação: 2011
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/SLSS-8GQJ46
• topic: Biologia Computacional; Agrupamento; Metaheurísticas; Path-Relinking; GRASP; Computação; Biologia computacional

O agrupamento é um método não supervisionado de classificação de dados em grupos (clusters). Em problemas de agrupamento, não se sabe previamente quantas e quais as classes necessárias para descrever coerentemente um conjunto de dados. Na biologia computacional, o agrupamento mostrou-se ferramenta útil em problemas de descoberta de padrões em dados como classificação de proteínas, predição da localização de proteínas em unidades celulares e diagnóstico de câncer. Recentemente, técnicas de otimização, como as metaheurísticas, têm sido utilizadas na literatura como método alternativo ou auxiliar para aumentar a eficiência e eficácia das ferramentas clássicas de agrupamento, geralmente baseadas em métodos estatísticos e matemáticos. O objetivo deste trabalho é propor algoritmos híbridos fundamentados nas metaheurísticas Greedy Randomized Adaptative Search Procedure (GRASP) e Path-Relinking para o problema de agrupamento de dados biológicos, com intuito de obter melhores soluções quando considerado unicamente o GRASP na sua forma padrão. Portanto, neste trabalho, considera-se a hipótese que o Path-Relinking como estratégia de intensificação do GRASP, melhora o desempenho e qualidade das soluções. Considera-se a hibridização do GRASP proposto por Nascimento et al. [2010b], com quatro variações do Path-Relinking: Forward, Backward, Mixed, e Greedy Randomized Adaptative. A validação das soluções obtidas dá-se por meio da comparação com os algoritmos clássicos k-means, k-medians, PAM (Partitioning Around Medoids) bem como o GRASP proposto por Nascimento et al. [2010b]. Os experimentos foram realizados com dados reais de 10 instâncias biológicas, e os resultados mostraram que o modelo híbrido melhorou a tarefa de agrupamento. Obteve-se maior exploração do espaço de busca, maior coesão de agrupamentos, aumento da robustez e redução do tempo computacional. As variantes Greedy Randomized Adaptative e Mixed apresentaram os melhores resultados.