[论文解读] Towards balanced clustering - part 1 (preliminaries)

Mark Sh. Levin|arXiv (Cornell University)|Jun 9, 2017

Multi-Criteria Decision Making被引用 4

一句话总结

本文提出了一套用于均衡聚类的基础框架，引入了新颖的平衡指数，以量化在基数、权重、簇间连接以及多类型元素结构方面的聚类不平衡程度。该研究构建了多准则优化问题，并通过一个学生团队设计实例展示了其应用，实现了团队基数方差最小化（B^c = 1）和高兼容性评分的均衡团队。

ABSTRACT

The article contains a preliminary glance at balanced clustering problems. Basic balanced structures and combinatorial balanced problems are briefly described. A special attention is targeted to various balance/unbalance indices (including some new versions of the indices): by cluster cardinality, by cluster weights, by inter-cluster edge/arc weights, by cluster element structure (for element multi-type clustering). Further, versions of optimization clustering problems are suggested (including multicriteria problem formulations). Illustrative numerical examples describe calculation of balance indices and element multi-type balance clustering problems (including example for design of student teams).

研究动机与目标

• 通过在多个维度上定义关键的平衡指数，建立一个全面的均衡聚类框架。
• 解决不仅在规模上，而且在权重、连通性及结构组成方面实现聚类均衡的挑战。
• 开发多准则优化模型，同时最小化不平衡性并最大化聚类兼容性与质量。
• 通过一个真实世界的学生团队组建案例（无线电工程实验室），展示所提模型的实际适用性。
• 为未来在不确定性和动态环境下的均衡组合优化研究奠定基础。

提出的方法

• 提出四种主要的平衡指数：B^c 用于聚类基数，B^w 用于聚类权重，B^v 用于簇间边权重，B^s 用于多类型聚类中的元素结构。
• 引入多准则优化公式，以最小化 B^c，同时最大化最小聚类结构估计值与簇间兼容性。
• 采用启发式方法：(1) 估计聚类数量，(2) 优先考虑准则（兼容性与结构），(3) 使用帕累托规则选择聚类核心，(4) 使用兼容性度量扩展核心。
• 利用基于成对元素兼容性的兼容性评分 ε(X_ι) 指导聚类扩展。
• 采用基于向量的支配关系 ξ(X_ι) ⪰ ξ₀，以确保每类满足最低技能水平要求。
• 通过一个包含13名学生的数值实例验证该方法，成功组建了4支规模均衡且兼容性高的团队。

实验结果

研究问题

• RQ1 如何在规模、权重、连通性及元素结构等多个维度上对聚类不平衡进行定量衡量？
• RQ2 在聚类中，何种优化模型最能平衡多个相互冲突的目标，如最小化规模方差的同时最大化聚类质量？
• RQ3 在 NP-难的组合优化环境中，启发式方法如何有效构建均衡聚类？
• RQ4 在教育或协作环境中，兼容性与技能结构在组建高质量、均衡团队中起到何种作用？
• RQ5 所提出的平衡指数与模型如何推广至其他领域，如网络设计、负载均衡或制造系统？

主要发现

• 在学生团队示例中，所提出的平衡指数 B^c 取值为 1，表明聚类间基数不平衡程度最小。
• 所有聚类解均满足最低技能向量要求 ξ(X_ι) ⪰ (2,3,3,2)，确保了团队组成的均衡性。
• 聚类间平均兼容性评分为 9.25，各聚类个体得分范围在 8 到 15 之间。
• 解中实现的簇间边权重平衡指数 B^v = 7，表明簇间连接程度适中但可接受。
• 启发式方法成功构建了四支无重叠的均衡团队，满足所有约束条件，并优化了关键平衡指标。
• 该框架支持对具有多种平衡准则的复杂聚类问题进行系统建模，为教育与工程等实际应用提供支持。