基于微粒群優(yōu)化算法的聚類分析及其在學(xué)生成績管理中的應(yīng)用.pdf

1、數(shù)據(jù)挖掘是數(shù)據(jù)庫開發(fā)、研究和應(yīng)用最活躍的分支之一,它是采用人工智能的方法對數(shù)據(jù)庫和數(shù)據(jù)倉庫中的數(shù)據(jù)進行分析、獲取知識的過程,這是一個多學(xué)科交叉研究領(lǐng)域.數(shù)據(jù)挖掘的方法有很多,聚類分析是其中的一種目前最有應(yīng)用前景的方法.因為聚類分析能作為一個獨立的工具來獲得數(shù)據(jù)分布的情況,觀察每一個簇的特點,并能集中對特定的某些簇作進一步的分析. 微粒群優(yōu)化算法(PSO算法)是由Kennedy和Eberhart于1995年提出的一種基于迭代的優(yōu)化

2、算法.系統(tǒng)初始化為一組隨機解,通過某種方式迭代尋找全局最優(yōu)解,然而聚類分析容易陷入局部最優(yōu)解,因此本文提出了基于微粒群算法的聚類分析.PSO算法和遺傳算法(Genetic Algorithm,GA)類似,但是PSO算法沒有GA算法的"選擇"、"交叉"、"變異"算子,編碼方式也比GA簡單,并且很多情況下要比遺傳算法更有效率,所以基于微粒群算法處理優(yōu)化問題是一個很有意義的研究方向. 對學(xué)生原始成績進行等級評定,是教學(xué)管理中的重要環(huán)節(jié)

3、.傳統(tǒng)的等級評定方法是基于絕對分數(shù)的評價,這種方法存在一些缺陷,例如:如果某次考試題目稍難,學(xué)生的整體成績將偏低.如果按照傳統(tǒng)的等級評定方法來評價學(xué)生將有失公正,而且也無法合理、有效地評價教師的教學(xué)效果.因此本文借鑒數(shù)據(jù)挖掘中聚類分析的思想,使用基于微粒群技術(shù)的聚類分析算法對學(xué)生的原始成績進行等級劃分,可以有效地克服傳統(tǒng)評定方法的缺陷. 本文主要作了以下幾項工作: (1) 研究并改進了數(shù)據(jù)挖掘技術(shù)中的聚類分析算法.由于K

4、-平均值算法(k-means算法)分類的結(jié)果依賴于初始聚類中心的選擇,對于有些初始值k-means算法可能收斂于次優(yōu)解.針對直接k-means算法對隨機初始聚類中心的敏感,容易陷入局部最優(yōu)解的缺點,本文給出了引入聚類半徑后進行初始聚類中心的k-means算法. (2) 研究了微粒群優(yōu)化技術(shù)并將其與k-means算法有機結(jié)合,提出了基于微粒群的聚類分析算法.由于PSO算法是一種基于迭代的優(yōu)化工具,系統(tǒng)初始化為一組隨機解,通過某種方

5、式迭代尋找最優(yōu)解,而K-均值法容易陷入局部最優(yōu)解,本文將微粒群算法應(yīng)用于改進后的k-mealnS算法之中,以求得到比較好的聚類結(jié)果. (3)針對傳統(tǒng)的學(xué)生成績等級劃分的缺點,以及直接 k-means算法容易陷入局部最優(yōu)解的缺點,本文將改進后的基于微粒群的聚類分析應(yīng)用于學(xué)生成績的等級劃分中.通過應(yīng)用改進后的算法對一組成績進行聚類,發(fā)現(xiàn)改進后的算法能夠?qū)W(xué)生的成績比較科學(xué)、準確、公平、公正地評價,同時聚類得到的結(jié)果也是評估教學(xué)質(zhì)量的