Resumo: 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 atribuidas 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 Ver menos

Abstract: Classifying and clustering cattle in pasture based on similar characteristics is of utmost importance for effective herd management, allowing for the identification of behavior patterns, specific care needs, and production optimization. The research in question focuses on the application of three metaheuristic algorithms, namely Genetic Algorithms (GA), Particle Swarm Optimization (PSO), and Ant Colony Optimization (ACO), using different distance metrics to perform data clustering related to cattle. The main objective of this study is to evaluate the performance of these approaches in forming clusters, identifying groups of cattle with similar characteristics. Throughout the research, comparative analyses were conducted between the results obtained through the metaheuristic algorithms using different distance metrics, as well as the evaluation of the quality of the obtained clusters through cluster validation metrics and visual analysis. In computational tests, the metaheuristic algorithms demonstrated their ability to successfully cluster benchmark datasets, confirming the quality and coherence of the obtained clusters through evaluation metrics and visualization of results, while also noting that data distribution and density play a crucial role in the efficiency of the used metaheuristics, with distribution being the most influential factor. For the grouping of cattle, thirteen attributes were considered, of which three are measured directly on the cattle, four are by ultrasound and six are attributed through professional assessment. The definition of the best cluster number and the meta-heuristic with the best results occurs through the analysis of the evaluation indices, with two being the best number of clusters and and identified as the PSO meta-heuristic using the Manhattan distance metric. obtained the most promising results for data partitioning, having managed to identify patterns and significant differences between the clusters, resulting in cohesive and interpretable groupings Ver menos