基于變異粒子群的聚類算法研究.pdf

1、在數(shù)據(jù)挖掘中，很多工作都集中在發(fā)現(xiàn)能夠高效地對(duì)大數(shù)據(jù)庫(kù)進(jìn)行聚類分析的方法上。在現(xiàn)有的大量聚類算法中，尤其以K-means算法應(yīng)用比較廣泛。K-means算法以點(diǎn)為原型，能夠?qū)崿F(xiàn)球形數(shù)據(jù)的聚類。該算法思想簡(jiǎn)單，易于實(shí)現(xiàn)，而且運(yùn)行速度快，內(nèi)存消耗小，能有效地處理大數(shù)據(jù)集，但是K-means聚類算法存在一些缺點(diǎn)：只有在初始值確定的情況下，聚類結(jié)果才是唯一確定的；算法都是局部尋優(yōu)算法，容易追尋目標(biāo)函數(shù)而陷入局部最優(yōu)解，而且算法在一定程度上依賴于

2、初始分類的確定，如果初始分類嚴(yán)重地偏離全局最優(yōu)分類時(shí)，算法很容易陷入局部極小值，得到一個(gè)局部最優(yōu)解。另一方面由于PSO算法結(jié)構(gòu)簡(jiǎn)單，運(yùn)行速度快，所以也被大量地用于聚類算法中。因此本文在前人的基礎(chǔ)上對(duì)算法進(jìn)行了改進(jìn)，把兩種算法進(jìn)行了有機(jī)的結(jié)合。所做的工作如下：
　　 1．用變異粒子群聚類挖掘完成聚類。首先分析了粒子群算法的缺點(diǎn)，將粒子變異引入粒子群算法，通過(guò)增加種群的多樣性來(lái)克服早熟收斂現(xiàn)象；其次通過(guò)對(duì)慣性權(quán)重的調(diào)整提高了算法的精

3、度和收斂速度；最后，將K-means算法和粒子群算法結(jié)合起來(lái)形成一種混合聚類算法。該算法有效地平衡了粒子群尋優(yōu)過(guò)程中的探索和開(kāi)發(fā)，從而保證了粒子群算法穩(wěn)定且收斂到全局最優(yōu)。
　　 2．用基于種群多樣性的PSO聚類挖掘算法實(shí)現(xiàn)聚類。首先分析現(xiàn)有的描述種群多樣性指標(biāo)的缺點(diǎn)；其次將基于粒子群算法的變異操作和K-means算法結(jié)合到粒子群算法中；最后，通過(guò)內(nèi)部空間特性對(duì)粒子進(jìn)行適當(dāng)?shù)臄_動(dòng)。該算法既改善了粒子群算法的局部搜索能力，又通過(guò)增