基于智能優(yōu)化算法的聚類分析及應用.pdf

1、隨著科學技術(shù)的進步以及數(shù)據(jù)庫應用的普及，數(shù)據(jù)挖掘技術(shù)已經(jīng)成為近年來國際社會在信息決策領(lǐng)域的重要研究方向之一，同時，也是隨著信息技術(shù)不斷發(fā)展而形成的一門新學科。聚類分析作為一種重要的數(shù)據(jù)分析方法已經(jīng)成為數(shù)據(jù)挖掘領(lǐng)域中一個非常活躍的研究課題。
　　聚類分析的方法有很多，在本文中重點介紹了C-MEANS和模糊C-MEANS(FCM)基于劃分的聚類方法。但是對初始聚類中心的選擇敏感，并且容易陷入局部最優(yōu)是這兩種聚類算法典型的缺點。因而，在

2、本文引入了智能優(yōu)化算法。
　　智能優(yōu)化算法是迅速發(fā)展起來的對已有一些經(jīng)典的聚類算法進行優(yōu)化的行之有效的方法。近年來，發(fā)展起來的用于聚類分析的智能優(yōu)化的算法主要有:基于免疫原理的人工免疫算法、基于進化的差分進化算法、基于螞蟻系統(tǒng)的蟻群算法、基于遺傳學的遺傳算法和模擬退火算法等智能優(yōu)化計算方法。這些算法各有特點，廣泛用于解決各類聚類問題。本論文主要利用了基于免疫原理的人工免疫算法、把遺傳算法和模擬退火相融合的算法來實現(xiàn)數(shù)據(jù)聚類并將聚類

3、方法應用到圖像壓縮即設計矢量量化碼書，通過實驗驗證均取得了有效的結(jié)果，主要工作包括以下三個方面:
　　首先，針對傳統(tǒng)的克隆選擇算法在解決聚類問題中存在著收斂速度慢、聚類效果不佳以及進化聚類算法采用單一的聚類指標的缺陷等問題。將多目標優(yōu)化思想引入到免疫克隆聚類算法中，根據(jù)免疫系統(tǒng)所體現(xiàn)出的局部學習生物特征，在算法中設計了一種新的局部學習算子，并在此基礎(chǔ)上提出了基于局部學習算子的人工免疫多目標模糊聚類算法。提出的算法在對人工數(shù)據(jù)集和U

4、CI數(shù)據(jù)集聚類的結(jié)果表明，該算法能取得較高的聚類正確率。
　　其次，針對遺傳算法的容易陷入早熟以及模擬退火算法收斂速度慢等缺點，將模擬退火算法融入到遺傳算法中，提出基于遺傳的模擬退火聚類算法及其在矢量量化碼書設計中的應用。鑒于基于劃分的染色體實數(shù)編碼方式的特點以及對染色體的操作細化為對基因的操作，由此提出了新的有效的模擬退火方法、以及交叉操作算子和突變操作算子。同時，算法中采用核空間距離代替歐氏距離，從而使得提出的聚類算法能處理分

5、布復雜的數(shù)據(jù)聚類問題。在此基礎(chǔ)上設計實現(xiàn)了用于自然圖像壓縮的模擬退火遺傳核函數(shù)矢量量化算法.實驗結(jié)果表明提出的算法在大部分的數(shù)據(jù)集上都能取得較好的結(jié)果。
　　最后，針對LBG算法對初始碼書較為敏感的缺點，將免疫克隆選擇算法引入進來。使用分裂法產(chǎn)生初始碼書。又針對基于歐氏距離的相似性度量僅能反映聚類結(jié)果的局部一致性特征，而無法反映聚類的全局一致性的缺點，進而提出了使用基于流形距離的免疫克隆選擇聚類方法，通過對31組數(shù)據(jù)的聚類以及設計