Графові алгоритми кластеризації: виділення зв’язкових компонент та оптимізація методів групування

Abstract

У данiй роботi дослiджено методи кластеризацiї даних, зокрема алгоритм BFS (обхiд у ширину) та його оптимiзацiю для пiдвищення ефективностi. Кластеризацiя є важливим етапом аналiзу великих обсягiв iнформацiї, що використовується у рiзних сферах, зокрема у медичних дослiдженнях, аналiзi ринкових тенденцiй та машинному навчаннi. Метою дослiдження було виявлення сильних i слабких сторiн BFS у задачах групування даних, а також розробка методiв його покращення. Для цього було проаналiзовано особливостi рiзних пiдходiв до кластеризацiї, визначено їхнi переваги та недолiки, а також проведено порiвняння BFS iз iншими методами, такими як KNN (метод k найближчих сусiдiв). Результати дослiдження показали, що BFS є ефективним для групування даних, особливо у випадках, коли об’єкти мають природну кластерну структуру. Основними перевагами алгоритму є його здатнiсть працювати з розрiдженими даними, обробляти аномальнi значення (викиди) та легко адаптуватися до рiзних порогових значень. Однак основним недолiком залишається його обмежена масштабованiсть при обробцi великих наборiв даних. Проаналiзовано що BFS у модифiкованiй формi є потужним iнструментом для кластеризацiї, який може бути застосований у рiзних сферах аналiзу даних. Однак подальшi дослiдження необхiднi для розширення його можливостей, зокрема шляхом впровадження механiзмiв автоматичного налаштування параметрiв, а також адаптацiї алгоритму для роботи з великими даними за допомогою розподiлених обчислень.

This paper explores data clustering methods, focusing on the BFS (Breadth-First Search) algorithm and its optimization to enhance efficiency. Clustering is a crucial step in analyzing large volumes of data and is widely used in various fields, including medical research, market trend analysis, and machine learning. The main objective of the study was to identify the strengths and weaknesses of BFS in data grouping tasks and develop methods for its improvement. To achieve this, different clustering approaches were ana-lyzed, their advantages and disadvantages were identified, and BFS was compared with other methods, such as KNN (k-Nearest Neighbors). The research results demonstrate that BFS is effective for data grouping, especially when objects exhibit a natural cluster structure. The key advantages of the algorithm include its ability to work with sparse data, handle outliers, and easily adapt to different threshold values. However, its primary limitation is its scalability when processing large datasets. The analysis confirms that the modified BFS is a powerful clustering tool applicable in various data analysis domains. However, further research is required to expand its capabilities, particularly by developing mechanisms for automatic parameter tuning and adapting the algorithm for large-scale data processing through distributed computing.