Navegando por Autor "Blanchard, Simon J."
Agora exibindo 1 - 2 de 2
- Resultados por página
- Opções de Ordenação
Tese Formulações e algoritmos para o problema das p-medianas heterogêneo livre de penalidade(Universidade Federal do Rio Grande do Norte, 2014-11-14) Santi, Éverton; Aloise, Daniel; ; http://lattes.cnpq.br/5093210888872414; ; http://lattes.cnpq.br/1704949855287036; Dória Neto, Adrião Duarte; ; http://lattes.cnpq.br/1987295209521433; Rocha, Caroline Thennecy de Medeiros; ; http://lattes.cnpq.br/8358112426847555; Urrutia, Sebastián Alberto; ; http://lattes.cnpq.br/6852348890045723; Blanchard, Simon J.;Apresenta-se neste trabalho um novo modelo para o Problema das p-Medianas Heterogêneo (PPMH), proposto para recuperar a estrutura de categorias não-observadas presente em dados oriundos de uma tarefa de triagem, uma abordagem popular que possibilita entender a percepção heterogênea que um grupo de indivíduos tem em relação a um conjunto de produtos ou marcas. Este novo modelo é chamado Problema das p-Medianas Heterogêneo Livre de Penalidade (PPMHLP), uma versão mono-objetivo do problema original, o PPMH. O parâmetro principal do modelo PPMH é também eliminado, o fator de penalidade. Este parâmetro é responsável pela ponderação dos termos de sua função objetivo. O ajuste do fator de penalidade controla a maneira como o modelo recupera a estrutura de categorias não-observadas presente nos dados e depende de um amplo conhecimento do problema. Adicionalmente, duas formulações complementares para o PPMHLP são apresentadas, ambas problemas de programação linear inteira mista. A partir destas formulações adicionais, limitantes inferiores foram obtidos para o PPMHLP. Estes valores foram utilizados para validar um algoritmo de Busca em Vizinhança Variada (VNS), proposto para resolver o PPMHLP. Este algoritmo obteve soluções de boa qualidade para o PPMHLP, resolvendo instâncias geradas de forma artificial por meio de uma Simulação de Monte Carlo e instâncias reais, mesmo com recursos computacionais limitados. As estatísticas analisadas neste trabalho sugerem que o novo algoritmo e modelo, o PPMHLP, pode recuperar de forma mais precisa que o algoritmo e modelo original, o PPMH, a estrutura de categorias não-observadas presente nos dados, relacionada à percepção heterogênea dos indivíduos. Por fim, uma exemplo de aplicação do PPMHLP é apresentado, bem como são consideradas novas possibilidades para este modelo, estendendo-o a ambientes fuzzyArtigo A model for clustering data from heterogeneous dissimilarities(Elsevier, 2016-09-16) Santi, Éverton; Aloise, Daniel; Blanchard, Simon J.Clustering algorithms partition a set of n objects into p groups (called clusters), such that objects assigned to the same groups are homogeneous according to some criteria. To derive these clusters, the data input required is often a single n × n dissimilarity matrix. Yet for many applications, more than one instance of the dissimilarity matrix is available and so to conform to model requirements, it is common practice to aggregate (e.g., sum up, average) the matrices. This aggregation practice results in clustering solutions that mask the true nature of the original data. In this paper we introduce a clustering model which, to handle the heterogeneity, uses all available dissimilarity matrices and identifies for groups of individuals clustering objects in a similar way. The model is a nonconvex problem and difficult to solve exactly, and we thus introduce a Variable Neighborhood Search heuristic to provide solutions efficiently. Computational experiments and an empirical application to perception of chocolate candy show that the heuristic algorithm is efficient and that the proposed model is suited for recovering heterogeneous data. Implications for clustering researchers are discussed