基于人工免疫系統(tǒng)的自動(dòng)聚類算法及其應(yīng)用.pdf

1、隨著信息技術(shù)不斷發(fā)展，數(shù)據(jù)挖掘技術(shù)成為信息決策領(lǐng)域最前沿和最活躍的研究方向之一。作為數(shù)據(jù)挖掘的一種強(qiáng)有力的分析工具，聚類分析得到了人們的廣泛關(guān)注?，F(xiàn)實(shí)中的許多數(shù)據(jù)信息是十分復(fù)雜的，數(shù)據(jù)集的類別數(shù)目事先無法確定或很難得到，在這種情況下，自動(dòng)聚類算法應(yīng)運(yùn)而生。聚類可以看成是一個(gè)優(yōu)化問題，這就意味著可以用不同的優(yōu)化方法來解決。
　　 基于上述的背景，本文分別提出了一種基于單目標(biāo)優(yōu)化的免疫自動(dòng)聚類算法和基于多目標(biāo)優(yōu)化的免疫自動(dòng)聚類算法，

2、另外，在研究多目標(biāo)自動(dòng)聚類之前，我們還對動(dòng)態(tài)環(huán)境下的多目標(biāo)優(yōu)化算法做了深入研究，并提出了一種新的動(dòng)態(tài)多目標(biāo)優(yōu)化算法。本文具體工作如下：
　　 1.提出了一種基于動(dòng)態(tài)局部搜索的免疫自動(dòng)聚類算法。算法中，首先，針對染色體的結(jié)構(gòu)，提出了一種基于聚類中心的局部搜索策略，來實(shí)現(xiàn)數(shù)據(jù)集類別數(shù)的優(yōu)化。其次，算法采用基于鄰域結(jié)構(gòu)的自適應(yīng)策略的差分交叉算子來進(jìn)一步提高算法的聚類性能。通過對30個(gè)具有不同分布特性的數(shù)據(jù)集、4幅人工合成紋理圖像以及4

3、幅SAR圖像進(jìn)行測試，實(shí)驗(yàn)結(jié)果表明，新算法在四個(gè)評價(jià)指標(biāo)都有很大的優(yōu)勢，并且魯棒性優(yōu)于其他算法。
　　 2.提出了一種基于預(yù)測策略的動(dòng)態(tài)多目標(biāo)免疫優(yōu)化算法。算法中，首先，當(dāng)環(huán)境發(fā)生變化時(shí)，在歷史時(shí)刻儲(chǔ)存的最優(yōu)Pareto最優(yōu)解的基礎(chǔ)上，用修正的預(yù)測模型來預(yù)測產(chǎn)生新時(shí)刻的仞始解。其次，為了避免算法收斂到局部最優(yōu)和進(jìn)一步加快算法的收斂速度，提出了基于選擇策略的差分交叉算子來產(chǎn)生新的個(gè)體。實(shí)驗(yàn)證明，新算法具有較強(qiáng)的動(dòng)態(tài)變化跟蹤能力，在

4、收斂性和多樣性方面也表現(xiàn)最優(yōu)。
　　 3.提出了一種基于協(xié)同雙變異算子的免疫多目標(biāo)自動(dòng)聚類算法。算法中，首先，針對染色體的不同構(gòu)成分別提出了新的變異算子，兩種變異算子協(xié)同作用產(chǎn)生新的染色體。其次，針對PBM在單目標(biāo)自動(dòng)聚類算法中的不足，提出了一個(gè)基于指數(shù)函數(shù)的有效性指標(biāo)，將其和PBM指標(biāo)一起作為多目標(biāo)自動(dòng)聚類的兩個(gè)目標(biāo)函數(shù)。通過對24個(gè)數(shù)據(jù)集和5幅紋理圖像進(jìn)行測試，實(shí)驗(yàn)表明新算法在數(shù)據(jù)聚類和圖像分割上的性能都優(yōu)于其他對比算法，算