摘要：Un reto actual en el ́ area de algoritmos evolutivos h ́ ıbridos es el empleo eficiente de estrategias para cubrir la totalidad del espacio de b ́ usqueda usando b ́ usqueda local s ́ olo en las regiones prometedoras. Por otra parte, los algoritmos de agrupamiento, fundamentales para procesos de miner ́ ıa de datos y t ́ ecnicas de aprendizaje, carecen de m ́ etodos efi- cientes para determinar el n ́ umero ́ optimo de grupos a formar a partir de un conjunto de datos. Algunos de los m ́ etodos existentes hacen uso de algunos algoritmos evolutivos, as ́ ı como una funci ́ on para validaci ́ on de agrupamientos como su funci ́ on objetivo. En este art ́ ıculo se propone un nuevo algo- ritmo evolutivo celular, para abordar dicha tarea. El algoritmo propuesto est ́ a basado en un modelo h ́ ıbrido de b ́ usqueda, tanto global como local y tras presentarlo se prueba con una estensa experimentaci ́ on sobre diferentes conjuntos de datos y diferentes funciones objetivo.
其他摘要：A challenge in hybrid evolutionary algorithms is to employ efficient strategies to cover all the search space, applying local search only in actually promising search areas; on the other hand, clustering algorithms, a fundamental base for data mining procedures and learning techniques, suffer from the lack of efficient methods for determining the optimal number of clusters to be found in an arbitrary dataset. Some existing methods use evolutionary algorithms with cluster val- idation index as the objective function. In this article, a new cellular evolutionary algorithm based on a hybrid model of global and local heuristic search is proposed for the same task, and extensive experimentation is done with different datasets and indexes.
关键词：Clustering; cellular genetic algorithm; micro- evolutionary algorithms; particle swarm optimization; optimal number of clusters;Agrupamiento; algoritmo gentico celular; microalgoritmos evolutvos; optimizacin por cmulo de partculas; nmero ptimo de clases
