UNA HERRAMIENTA COMPUTACIONAL PARA EL AGRUPAMIENTO DE DATOS BASADO EN EL COMPORTAMIENTO COLECTIVO DE LAS ABEJAS

En el \ue1mbito de la miner\ueda de datos y el aprendizaje de m\ue1quina no supervisado, la agrupaci\uf3n de datos es definido como la tarea de agrupar objetos de acuerdo con una medida de similitud o disimilitud. Esto es, los objetos que son similares entre s\ued, se re\ufanen en el mismo grupo, y los que son dis\uedmiles se organizan en diferentes grupos, a partir de lo cual, puede emerger una estructura descriptiva de los datos. En las ciencias sociales, la clasificaci\uf3n y agrupamiento de individuos respecto a patrones de comportamiento puede dar lugar a descripciones y predicciones cuantitativas que permitan un estudio m\ue1s preciso de c\uf3mo funcionan las sociedades bajo ciertos par\ue1metros como por ejemplo: la predicci\uf3n de un comportamiento emergente de la delincuencia en algunos sectores sociales. En general, el problema de agrupamiento puede formularse con la optimizaci\uf3n de multi-objetivos, la cual puede ser muy compleja en t\ue9rminos de tiempo y espacio, en t\ue9rminos computacionales. En este sentido, el algoritmo de colonia de abejas, perteneciente al \ue1rea de la inteligencia de enjambre y basado en la optimizaci\uf3n num\ue9rica, intenta obtener la mejor soluci\uf3n al problema, explotando y explorando el espacio de b\ufasqueda. En este trabajo se propone una herramienta computacional implementada en Java para simular el comportamiento de los enjambres de abejas como un sistema multi-agentes, en el cual es posible observar la agrupaci\uf3n en los datos de prueba que se utilizan para ajustar los par\ue1metros clave y comparar los resultados obtenidos con trabajos similares. A trav\ue9s de la experimentaci\uf3n realizada, se propone utilizar el algoritmo de optimizaci\uf3n de enjambre de part\uedculas, como una t\ue9cnica heur\uedstica para obtener mejores soluciones iniciales en el agrupamiento de datos, de tal manera que el algoritmo de colonia de abejas pueda converger a un \uf3ptimo global, mejorando su velocidad de convergencia. Palabras Clave: Agrupamiento de Datos, Colonia Artificial de Abejas, K- Medias, Inteligencia de Enjambre, Miner\ueda de Datos. ABSTRACT In the field of data mining and unsupervised machine learning, data clustering is defined as the task of grouping objects according to a similarity or dissimilarity measure. That means, objects that are similar among them are grouped in the same cluster, and objects that are dissimilar are grouped into different clusters so a data descriptive structure can emerge. In social sciences, the classification and the grouping regarding to behavior patterns can take place to quantitative descriptions and predictions which let more specific study about how societies work under some parameters such as prediction of a crime emergent behavior in some social sectors. In general, the clustering problem can be formulated as a multi-objective optimization problem, which can be very complex in time and space computationally speaking. In this sense, the Artificial Bee Colony Algorithm which is a swarm intelligence algorithm based on numeric optimization, tries to get the best solution to the problem, exploiting and exploring the search space. In this work, we propose a computationally tool implemented in java for simulating the behavior of the honey bee swarms as a multi-agent system, where it is possible to observe the data clustering in training data that is used to tune the key parameters and compare them with similar papers. Through this experimentation, it is proposed to use the particle swarm optimization algorithm as a heuristic technique to get better initial solutions to the problem, so that the ABC algorithm can converge to a global optimum improving its convergence rate. Keywords: Clustering; Artificial Bee Colony; K-Means; Swarm Intelligence, Data Mining.