Uma Estratégia Híbrida Baseada em PSO para a Inicialização de Centróides no Algoritmo k-means

Resumo

O agrupamento de dados é uma técnica fundamental de aprendizado não supervisionado, cuja finalidade é particionar instâncias com base em seu grau de similaridade. O algoritmo K-means destaca-se por sua simplicidade e eficiência computacional; contudo, sua sensibilidade à escolha inicial dos centroides frequentemente compromete a qualidade da solução, levando à convergência prematura em ótimos locais. Neste contexto, este trabalho propõe uma abordagem híbrida que combina o K-means com o algoritmo bio-inspirado de Otimização por Enxame de Partículas (PSO),com o objetivo de aprimorar a seleção dos centroides iniciais e acelerar o processo de convergência. A principal contribuição reside na melhoria da robustez e eficiência do K-means, mantendo sua simplicidade. Experimentos conduzidos com três conjuntos de dados amplamente utilizados demonstram que o algoritmo híbrido proposto alcança soluções de alta qualidade com um número reduzido de iterações, evidenciando sua eficácia frente ao K-means tradicional.