遺傳優(yōu)化的K均值聚類算法.pdf

1、數(shù)據(jù)挖掘作為一種能挖掘出隱藏在數(shù)據(jù)復雜關系背后有價值信息的一種新興技術，由于其實用性而迅速發(fā)展。聚類分析方法是數(shù)據(jù)挖掘的一個重要研究方向，其作為一種無監(jiān)督學習方法被廣泛應用于各行各業(yè)。K均值聚類算法是聚類分析方法中一種非常典型的劃分方法，該算法簡單、易懂，但是存在諸如對初始中心點敏感，需事先確定聚類數(shù)及易陷入局部最優(yōu)等缺陷。
　　 遺傳算法提供了一個全局尋優(yōu)問題的模型，近年來，越來越多的學者采用遺傳算法對K均值聚類算法進行優(yōu)化，

2、形成K均值遺傳算法。該算法針對染色體編碼方式、遺傳算子及控制參數(shù)等方面進行改進，從而實現(xiàn)聚類中心點的優(yōu)化選取，或最佳聚類數(shù)的獲取等，力求得到質(zhì)量較高的聚類結果。
　　 本文在總結前人已取得的研究成果基礎上，設計了一種新的遺傳優(yōu)化的K均值聚類算法，該算法利用遺傳算法的遺傳操作實現(xiàn)了K 值的自動調(diào)整與中心點的優(yōu)化選取，并借助遺傳算法的全局優(yōu)化能力有效克服了K均值聚類算法易陷入局部最優(yōu)的缺點。在將遺傳算法引入K均值聚類算法時，對遺傳算

3、子進行了如下兩方面的改進：
　　 (1)適應度函數(shù)的構造。
　　 適應度函數(shù)的好壞直接影響后續(xù)一系列遺傳算子的操作。在本文中適應度函數(shù)值除優(yōu)化了聚類中心點的選取外，也解決了聚類數(shù)K 值需事先確定且在算法執(zhí)行過程中不能更改的缺陷。將遺傳算法引入到K均值算法中，以適應度函數(shù)為依據(jù)，利用種群中每個個體的適應度值來進行搜索、學習最佳聚類數(shù)K 值，因此適應度函數(shù)的選取與確定將決定K 值的選取與優(yōu)化問題。
　　 (2)變異操

4、作的設計。
　　 本文設計了一種新的變異操作方法，該方法通過對個體適應度函數(shù)的求解，實現(xiàn)對于聚類數(shù)K 值的自動調(diào)整，使其能夠自動向最佳聚類數(shù)靠攏。
　　 最后，在算法的實現(xiàn)上，采用了java 程序設計語言與Mysql 數(shù)據(jù)庫。
　　 實驗數(shù)據(jù)除采用常用的Iris 數(shù)據(jù)集與Glass 數(shù)據(jù)集以外，還對大量電信業(yè)務中長途電話使用情況的數(shù)據(jù)記錄做了實際應用分析。經(jīng)過對這些數(shù)據(jù)的驗證及結果分析，證明了該算法不僅能處理不同