基于群智能的K-medoids聚類(lèi)優(yōu)化算法研究.pdf

1、隨著網(wǎng)絡(luò)和信息技術(shù)的迅速發(fā)展，如何從海量數(shù)據(jù)中提煉出有效的信息，成為眾多學(xué)者研究的熱點(diǎn)之一，數(shù)據(jù)挖掘就在這一背景下應(yīng)運(yùn)而生。聚類(lèi)分析作為數(shù)據(jù)挖掘中非常重要的組成部分，對(duì)不同類(lèi)型的海量數(shù)據(jù)集進(jìn)行歸類(lèi)劃分，因此被廣泛地應(yīng)用于多個(gè)領(lǐng)域。
　　本文通過(guò)分析研究傳統(tǒng)聚類(lèi)算法，針對(duì)其存在的一些不足，結(jié)合群智能算法的優(yōu)化優(yōu)勢(shì)，分別提出了采用群智能中的人工螢火蟲(chóng)（glowworm swarm optimization，GSO）的聚類(lèi)算法和細(xì)菌覓食

2、（bacterial foraging optimization algorithm，BFO）優(yōu)化聚類(lèi)算法，重點(diǎn)研究工作如下:
　　(1)針對(duì)傳統(tǒng)的K-medoids聚類(lèi)算法受隨機(jī)設(shè)定的初始值影響明顯、算法穩(wěn)定性和準(zhǔn)確度欠佳、易收斂于非全局最優(yōu)值等缺陷和不足。本文采用流形距離代替歐式距離作為聚類(lèi)算法的度量方法，并利用GSO優(yōu)化初始聚類(lèi)中心，提出了一種基于GSO的K-medoids算法(K-medoids clustering al

3、gorithm based on glowworm swarm optimization,GSO-medoids)。本優(yōu)化算法GSO-medoids充分利用群智能GSO的穩(wěn)定性和靈活性較好等優(yōu)點(diǎn)，克服了傳統(tǒng)算法只能夠分析球形數(shù)據(jù)、聚類(lèi)效果不佳等缺陷。實(shí)驗(yàn)表明，GSO-medoids算法有較高的準(zhǔn)確率和較好的魯棒性。
　　(2)針對(duì)傳統(tǒng)的K-medoids聚類(lèi)算法受隨機(jī)初始值影響明顯、處理高維數(shù)據(jù)時(shí)聚類(lèi)效果欠佳等缺陷，本文基于粒子和

4、BFO提出了一種融合BFO的K-medoids算法(K-medoids clustering algorithm based on bacterial foraging optimization algorithm,,BFO-medoids)。改進(jìn)后的BFO-medoids算法充分利用了群智能BFO的搜索能力強(qiáng)且具有全局尋優(yōu)能力更強(qiáng)等優(yōu)點(diǎn)，在發(fā)揮傳統(tǒng)K-medoids算法優(yōu)勢(shì)的基礎(chǔ)上，明顯的提高了算法的聚類(lèi)性能。試驗(yàn)表明，BFO-med