基于文化算法的聚類分析研究.pdf

1、聚類分析作為一種信息處理手段近些年來一直受到人們的關(guān)注，而且在機器學習、模式識別、數(shù)據(jù)挖掘、信息檢索等很多領(lǐng)域得到了廣泛的研究和應(yīng)用。 聚類分析在數(shù)據(jù)挖掘研究中占有重要的位置。所謂聚類，就是將物理或抽象對象的集合劃分成為由類似的對象組成的多個類的過程。聚類分析依據(jù)的原則是使同一類中的對象具有盡可能大的相似性，而不同類中的對象相似性較小。 文化算法是一種新的進化計算方法，文化進化過程除了傳統(tǒng)的進化計算模型具有的群體空間外，

2、增加了一個知識空間和支持這兩個空間通信的機制，將文化算法用于聚類分析中，有助于對聚類算法的進一步優(yōu)化。 本文以文化算法為框架，采用K-Means模型為聚類模型，針對聚類問題設(shè)計適用于該問題的知識空間、群體空間、接受函數(shù)和影響函數(shù)。提出文化算法與K-Means算法相結(jié)合的混合聚類算法。首先在混合算法的群體空間采用遺傳算法，并在知識空間采用形勢知識，標準化知識，地形知識三種知識做指導，提出KCAGA算法；然后，在混合算法的群體空間采

3、用進化規(guī)劃，提出KCAEP算法，針對采用不同的影響函數(shù)和不同的知識指導，并分別細化為以下幾種算法：KCAEPⅠ，KCAEPⅡ，KCAEP Ⅰ’，KCAEP Ⅱ’，KCAEPⅢ和KCAEPⅣ。 對知識空間知識的研究表明，在知識空間采用形勢知識，標準化知識，地形知識三種知識做指導的方法比僅僅采用形勢知識，標準化知識兩種知識指導的方法聚類效果更好，對影響函數(shù)的改進避免聚類過早收斂于局部解。 最后，通過實驗對比，表明混合算法對解