Un método de agrupamiento metaheurístico expeditivo mejorado para clasificar problemas psicológicos de estudiantes con características homogéneas
Autores: Shaikh, Muhammad Suhail; Dong, Xiaoqing; Zheng, Gengzhong; Wang, Chang; Lin, Yifan
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un método de agrupamiento metaheurístico expeditivo mejorado para clasificar problemas psicológicos de estudiantes con características homogéneas
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Análisis de agrupamiento
Niveles de estrés de los estudiantes
Algoritmo de Agrupamiento del Lobo Gris Mejorado
Tasa de convergencia
óptimos locales
Eficiencia
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Hoy en día, los análisis de clústeres se utilizan ampliamente en la investigación de salud mental para categorizar los niveles de estrés de los estudiantes. Sin embargo, los métodos de agrupamiento convencionales enfrentan desafíos con conjuntos de datos grandes y problemas complejos, como la convergencia a óptimos locales y la sensibilidad a estados iniciales aleatorios. Para abordar estas limitaciones, este trabajo de investigación presenta un Algoritmo de Agrupamiento Mejorado de Lobo Gris (GWCA). Este enfoque mejorado tiene como objetivo ajustar la tasa de convergencia y mitigar el riesgo de quedar atrapado en óptimos locales. El algoritmo GWCA proporciona una técnica equilibrada para las fases de exploración y explotación, junto con un mecanismo de búsqueda local alrededor de la solución óptima. Para evaluar su eficiencia, el algoritmo propuesto se verifica en dos conjuntos de datos diferentes. El conjunto de datos I consta de 1100 individuos obtenidos de la base de datos de Kaggle, mientras que el conjunto de datos II se basa en 824 individuos obtenidos de la base de datos de Mendeley. Los resultados demuestran la competencia de GWCA en la clasificación de los niveles de estrés de los estudiantes. El algoritmo supera a otros métodos en términos de distancias intra-cluster más bajas, obteniendo una tasa de reducción del 1,48% en comparación con la Optimización de Lobo Gris (GWO), 8,69% en comparación con la Optimización de Mayfly (MOA), 8,45% en comparación con el Algoritmo de Luciérnaga (FFO), 2,45% la Optimización por Enjambre de Partículas (PSO), 3,65%, el Seno Coseno Híbrido con Búsqueda de Cucú (HSCCS), 8,20%, el Algoritmo Híbrido de Luciérnaga y Genético (FAGA) y 8,68% el Algoritmo de Búsqueda Gravitacional (GSA). Esto demuestra la efectividad del algoritmo propuesto en la minimización de distancias intra-cluster, convirtiéndolo en una mejor opción para la clasificación del estrés de los estudiantes. Esta investigación contribuye al avance en la comprensión y gestión del bienestar de los estudiantes dentro de las comunidades académicas al proporcionar una herramienta sólida para la clasificación de los niveles de estrés.
Descripción
Hoy en día, los análisis de clústeres se utilizan ampliamente en la investigación de salud mental para categorizar los niveles de estrés de los estudiantes. Sin embargo, los métodos de agrupamiento convencionales enfrentan desafíos con conjuntos de datos grandes y problemas complejos, como la convergencia a óptimos locales y la sensibilidad a estados iniciales aleatorios. Para abordar estas limitaciones, este trabajo de investigación presenta un Algoritmo de Agrupamiento Mejorado de Lobo Gris (GWCA). Este enfoque mejorado tiene como objetivo ajustar la tasa de convergencia y mitigar el riesgo de quedar atrapado en óptimos locales. El algoritmo GWCA proporciona una técnica equilibrada para las fases de exploración y explotación, junto con un mecanismo de búsqueda local alrededor de la solución óptima. Para evaluar su eficiencia, el algoritmo propuesto se verifica en dos conjuntos de datos diferentes. El conjunto de datos I consta de 1100 individuos obtenidos de la base de datos de Kaggle, mientras que el conjunto de datos II se basa en 824 individuos obtenidos de la base de datos de Mendeley. Los resultados demuestran la competencia de GWCA en la clasificación de los niveles de estrés de los estudiantes. El algoritmo supera a otros métodos en términos de distancias intra-cluster más bajas, obteniendo una tasa de reducción del 1,48% en comparación con la Optimización de Lobo Gris (GWO), 8,69% en comparación con la Optimización de Mayfly (MOA), 8,45% en comparación con el Algoritmo de Luciérnaga (FFO), 2,45% la Optimización por Enjambre de Partículas (PSO), 3,65%, el Seno Coseno Híbrido con Búsqueda de Cucú (HSCCS), 8,20%, el Algoritmo Híbrido de Luciérnaga y Genético (FAGA) y 8,68% el Algoritmo de Búsqueda Gravitacional (GSA). Esto demuestra la efectividad del algoritmo propuesto en la minimización de distancias intra-cluster, convirtiéndolo en una mejor opción para la clasificación del estrés de los estudiantes. Esta investigación contribuye al avance en la comprensión y gestión del bienestar de los estudiantes dentro de las comunidades académicas al proporcionar una herramienta sólida para la clasificación de los niveles de estrés.