基于改進人工蜂群算法的聚類研究.pdf

1、近年來，計算機、網(wǎng)絡的迅猛發(fā)展及市場競爭的激烈程度不斷的加劇，帶來了客戶關(guān)系管理問題中聚類求解效率的更大挑戰(zhàn)。由于其簡單、比其它的啟發(fā)式仿生算法更為有效且魯棒性強的特點，人工蜂群算法已受到了國內(nèi)外學者的關(guān)注，并成功的應用在工程方面。人工蜂群算法已被大量實踐證明能夠快速有效進行求解，但是人工蜂群算法的設計過于依賴問題特點，設計一種能夠自動基于問題特點對算法設計進行推薦的機制可以解決傳統(tǒng)算法設計方式的低效性和重復性問題，實現(xiàn)問題驅(qū)動下的算法

2、快速設計。本文在對問題和算法進行一般化抽象的基礎(chǔ)上，建立了有效提高聚類效率的改進人工蜂群算法。本文研究工作和創(chuàng)新點主要包括:
　　(1)建立聚類分析算法的一般描述模型
　　通過對客戶關(guān)系問題的對象及其屬性進行分析，整理出該問題聚類性的屬性特點，并在此基礎(chǔ)上基于本體理論建立了客戶關(guān)系問題的聚類描述模型。
　　(2)提出改進蜂群算法
　　圍繞蜂群算法的原理、特點、改進及其應用等方面進行全面綜述，重點針對復雜環(huán)境的蜂群

3、算法研究內(nèi)容以及算法的多種改進形式，并對將來的研究方向進行了分析。為了提高開發(fā)探索能力，將全局最優(yōu)解整合到搜索過程中，提出了一種改進的人工蜂群算法。改進人工蜂群算法有效的提高了蜂群算法的性能。與對比算法相比，改進的人工蜂群算法具有更高的收斂精度，并且收斂速度更快。
　　(3)建立混合算法求解框架
　　基于應用客戶關(guān)系聚類分析和蜂群算法引擎，構(gòu)建了問題-策略知識庫。并建立了基于概率的蜂群算子選擇機制，通過記錄每類問題的算子選擇

4、歷史績效，不斷迭代分化不同算子組合的選擇概率，最終實現(xiàn)對算子的推薦策略。在該機制的建立過程中，設計了兩種生成初始算子池的方法，一種是基于蜂群算法設計規(guī)則全集的方法，另一種則是以基于均勻聚類設計的方法得到的算子設計規(guī)則樣本為初始算子池。改進人工蜂群算法能調(diào)節(jié)全局尋優(yōu)能力與局部尋優(yōu)能力的優(yōu)點與K-均值算法收斂速度快的優(yōu)點相結(jié)合，來提高算法的魯棒性。通過大量的實驗分析，該算法不僅克服了傳統(tǒng)K-均值聚類算法穩(wěn)定性差的缺點，而且聚類效果也有了明顯