K-means聚類優(yōu)化算法的研究.pdf

1、聚類是數(shù)據(jù)挖掘中頗為重要的技術(shù)，其功能是按照某種準(zhǔn)則將數(shù)據(jù)劃分成組。K-means算法是一種被廣泛使用的聚類算法，本文主要對該算法做深入的分析和研究。K-means算法具有簡單易行、高效性等優(yōu)點。但是，該算法具有對初值選擇的依賴性和敏感性、易受孤立點影響、易陷入局部最優(yōu)等缺點。為此，本文提出并設(shè)計了兩類改進算法，主要工作內(nèi)容如下：
　　 1．針對初值選擇依賴性的不足，采用初值優(yōu)化方法完成聚類。首先采用了一種基于密度、距離和鄰域的

2、初始化中心點的方法；然后，將其用于改進標(biāo)準(zhǔn)的K-means算法；接著，進一步結(jié)合動態(tài)聚類和粗糙聚類的思想，設(shè)計了一種K-means粗糙聚類算法。實驗結(jié)果表明，改進算法在較大程度上彌補了K-means算法的不足，提高了聚類結(jié)果的穩(wěn)定性和有效性。
　　 2．針對易陷入局部最優(yōu)的不足，設(shè)計混合算法實現(xiàn)聚類。在分析和研究K-means算法與差分進化算法的特點的基礎(chǔ)上，提出了一種基于差分進化算法的K-means聚類算法。該方法將二者有機的