Comparação de Meta-heurísticas de Agrupamento Aplicados em Dados de Animais Bovinos

A classificação e o agrupamento de bovinos no pasto com base em características similares é de extrema importância para a gestão eficaz do rebanho, permitindo a identificação de padrões de comportamento, necessidades de cuidados específicos e otimização da produção. Este trabalho se concentra na aplicação de três meta-heurísticas, a saber, Algoritmos Genéticos (AG), Otimização por Enxame de Partículas (PSO) e Otimização por Colônia de Formigas (ACO) para realizar a tarefa de agrupamento de dados relacionados aos bovinos. O objetivo principal consiste em avaliar o desempenho dessas abordagens na formação de agrupamentos, identificando grupos de bovinos com características semelhantes. Para isso, foram realizadas análises comparativas entre os resultados obtidos por meio das meta-heurísticas utilizando-se diferentes métricas de distância, bem como a avaliação da qualidade dos agrupamentos obtidos por meio de métricas de validação de cluster e análise visual dos agrupamentos. Nos testes computacionais, as meta-heurísticas demonstraram sua capacidade de realizar com sucesso o agrupamento dos conjuntos de dados benchmarks, tendo sido possível confirmar a qualidade e coerência dos agrupamentos obtidos por meio das métricas de avaliação e a visualização dos resultados, bem como constatar que a distribuição e a densidade dos dados desempenham um papel crucial na eficiência das meta-heurísticas utilizadas, sendo a distribuição o fator de maior influência. Para o agrupamento dos bovinos, foram considerados treze atributos, dos quais três são medidos diretamente no bovino, quatro são por ultrassonografia e seis são atribuídas por meio de avaliação profissional. A definição do melhor número de cluster e da meta-heurística com os melhores resultados ocorreu por meio da análise dos índices de avaliação, sendo dois a melhor quantidade de clusters e identificado que a meta-heurística PSO utilizando a métrica de distância de Manhattan obteve os resultados mais promissores para o particionamento dos dados, tendo conseguido identificar padrões e diferenças significativas entre os clusters, resultando em agrupamentos coesos e interpretáveis.