Распараллеливание алгоритмов классификации и кластеризации данных

Abstract

Рассмотрен общий алгоритм организации параллельных вычислений. Представлены сведения об алгоритмах k-средних и максимина. Рассмотрены средства платформы .NET для распараллеливания алгоритмов k-средних и максимина. Описаны особенности организации параллельных вычислений, определены критерии, указывающие на способность алгоритма к представлению в параллельном виде. Разработаны версии алгоритмов k-средних и максимина, построенные на основе параллельных вычислений. Решены задачи классификации и кластеризации с помощью параллельных вычислений с использованием алгоритмов соответственно k-средних и максимина. Оба алгоритма поддаются распараллеливанию, поскольку в каждом из них существует минимум две операции с некоррелирующими результатами. Распараллеливание вычислений демонстрирует уменьшение времени выполнения алгоритмов уже при двух процессорах. Увеличение производительности алгоритмов линей-но зависит от увеличения числа вычислителей. С увеличением количества объектов классификации увеличивается производительность параллельных вычислений. Для алгоритма k-средних эта зависимость нелинейная, а для алгоритма максимин – линейная. С увеличением количества классов в алгоритме k-средних линейно увеличивается производительность параллельных вычислений. Полученные результаты подтвердили целесообразность распараллеливания вычислений в алгоритмах к-средних и максимина, что увеличивает эффективность классификации и кластеризации данных.