ГІБРИДНА МОДЕЛЬ ОПТИМІЗАЦІЇ КЛАСТЕРИЗАЦІЇ ДЛЯ ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ
DOI:
https://doi.org/10.31548/itees.2025.01.009Ключові слова:
кластеризація, великі дані, системи підтримки прийняття рішень, оптимізація алгоритмів, паралельні обчислення, гібридні моделі, машинне навчанняАнотація
У статті представлено комплексний підхід до оптимізації алгоритмів кластеризації в системах підтримки прийняття рішень (СППР) у середовищі великих даних. Проведено аналіз проблем масштабованості, обчислювальної складності та стабільності результатів, характерних для класичних методів K-Means, DBSCAN і Agglomerative Clustering. Запропоновано удосконалений гібридний алгоритм K-Means++ Hybrid, який поєднує механізми паралельних обчислень, адаптивного налаштування параметрів і динамічного контролю ітераційного пошуку. Методологічна основа дослідження базується на системному аналізі, математичному моделюванні та експериментальному тестуванні із використанням наборів даних UCI Repository і технологій GPU-прискорення (CUDA). Експериментальні результати підтверджують, що застосування запропонованого підходу дозволяє знизити час виконання кластеризації в середньому на ≈43% порівняно з базовими алгоритмами, підвищивши при цьому коефіцієнт силуету до 0,73 та зменшивши енергоспоживання процесора на 20–25%. Отримана модель забезпечує високу стійкість при роботі з гетерогенними наборами даних і може бути інтегрована в системи аналізу транспортних потоків, оцінювання фінансових ризиків та моніторингу екологічних параметрів. Розроблений підхід формує основу для побудови адаптивних модулів інтелектуального аналізу даних, які підтримують масштабування, інтерпретованість результатів і реальну роботу в потокових аналітичних системах. Подальші дослідження доцільно зосередити на поєднанні гібридної кластеризації з моделями глибинного навчання та методами оптимізації на базі еволюційних алгоритмів
Посилання
1. Boiko, N. I., & Tkachyk, O. A. (2023). Alhorytmy ta metody klasteryzatsii dlia riznomanitnykh danykh [Algorithms and methods of clustering for diverse data]. Naukovyi Visnyk Uzhhorodskoho Universytetu. Seriia “Matematyka i Informatyka” [Scientific Bulletin of Uzhhorod University. Series “Mathematics and Informatics”], 42(1), 129–147. https://doi.org/10.24144/2616-7700.2023.42(1).129-147
2. Alramahee, A., & Ghalib, F. (2024). A survey of clustering algorithms for determining optimal locations of distributed centers. Basrah Researches Sciences, 50(2), 318–332. https://doi.org/10.56714/bjrs.50.2.26
3. Oyewole, G. J., & Thopil, G. A. (2023). Data clustering: Application and trends. Artificial Intelligence Review, 56, 6439–6475. https://doi.org/10.1007/s10462-022-10325-y
4. Barchenko, N., Liubchak, V., & Velykodnyi, D. (2023). Vybir metoda klasteryzatsii z metoiu analizu pokaznykiv tsyfrovykh transformatsii rehioniv Ukrainy [Selecting a clustering method for analyzing indicators of digital transformations of the regions of Ukraine]. Informatsiini Tekhnolohii ta Suspilstvo [Information Technologies and Society], 2(8), 6–17. https://doi.org/10.32689/maup.it.2023.2.1
5. Usatenko, M. V. (2024). Metody vyiavlennia anomalii u masyvakh bahatovymirnykh danykh [Methods for detecting anomalies in multidimensional data arrays]. Zbirnyk Naukovykh Prats Kharkivskoho Natsionalnoho Universytetu Radioelektroniky [Collection of Scientific Papers of Kharkiv National University of Radio Electronics]. https://openarchive.nure.ua/bitstreams/15148cad-14b3-47db-9f0f-e7d705fcf/download
6. Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaria, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, 8, Article 53. https://doi.org/10.1186/s40537-021-00444-8
7. Dafir, Z., Lamari, Y., & Slaoui, S. C. (2021). A survey on parallel clustering algorithms for Big Data. Artificial Intelligence Review, 54, 2411–2443. https://doi.org/10.1007/s10462-020-09918-2
8. Zhou, S., Xu, H., Zheng, Z., Chen, J., Li, Z., Bu, J., Wang, X., Zhu, W., & Ester, M. (2022). A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions. arXiv. https://arxiv.org/abs/2206.07579. https://doi.org/10.48550/arXiv.2206.07579
9. Hu, L., Jiang, M., Dong, J., Liu, X., & He, Z. (2024). Interpretable clustering: A survey. arXiv. https://doi.org/10.48550/arXiv.2409.00743.
10. Tkachyk, O. A. (2023). Metody ta zasoby klasteryzatsii riznotypovykh danykh [Methods and tools for clustering heterogeneous data] [Doctoral dissertation, Lviv Polytechnic National University]. https://lpnu.ua/sites/default/files/2023/radaphd/25194/disertaciya-metodi-ta-zasobi-klasterizacii-riznotipovikh-danikh-tkachik-o-1-1.pdf
11. Chorna, O. S., Didyk, P. Yu., Titov, S. V., & Titova, O. V. (2024). Vykorystannia alhorytmiv klasteryzatsii dlia avtomatyzatsii planuvannia marshrutiv u zadachakh marshrutyzatsii perevezen [Use of clustering algorithms to automate route planning in transportation routing problems]. Systemy Obrobky Informatsii [Information Processing Systems], 1(176), 115–123. https://doi.org/10.30748/soi.2024.176.14
12. Yurchyshena, L. V. (2023). Klasteryzatsiia universytetiv ta yikh ekonomichna model na osnovi pokaznykiv finansovoi stiikosti [Clustering of universities and their economic model based on financial sustainability indicators]. In Ekonomichna model rozvytku universytetiv [Economic model of university development] (pp. 73–86). https://science.iea.gov.ua/wp-content/uploads/2023/10/6_Yurchyshena_324_2023_73-86.pdf
13. Batiuk, T. M., & Dosyn, D. H. (2023). Intelektualna systema klasteryzatsii korystuvachiv sotsialnykh merezh na osnovi analizu tonalnosti danykh [An intelligent clustering system for social network users based on sentiment analysis]. Informatsiini Systemy ta Merezhi [Information Systems and Networks], 13, 121–140. https://doi.org/10.23939/sisn2023.13.121
14. Kharlamova, G., & Chernyak, O. (2021). Cluster analysis of Ukrainian regions regarding the level of investment attractiveness. ICTERI Proceedings, 2, 230–241. https://icteri.org/icteri-2021/proceedings/volume-2/202110401.pdf
15. Artioli, P., Maci, A., & Magrì, A. (2024). A comprehensive investigation of clustering algorithms for User and Entity Behavior Analytics. Frontiers in Big Data, 7, Article 1375818. https://doi.org/10.3389/fdata.2024.1375818
16. Xue, J., Xing, L., Wang, Y., Li, Z., Zhang, H., & Chen, X. (2024). A comprehensive survey of fast graph clustering. Vicinagearth, 1, Article 7. https://doi.org/10.1007/s44336-024-00008-3
17. Saeed, M. M., Al Aghbari, Z., & Alsharidah, M. (2020). Big data clustering techniques based on Spark: A literature review. PeerJ Computer Science, 6, e321. https://doi.org/10.7717/peerj-cs.321
18. Kohavi, R. Census income [Data set]. UCI Machine Learning Repository. https://doi.org/10.24432/C5GP7S
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Інформаційні технології в економіці та природокористуванні
TЦя робота ліцензується відповідно до ліцензії Creative Commons Attribution-ShareAlike 4.0 International License.
