基于免疫機制的模糊聚類方法的研究.pdf

1、本文針對經(jīng)典聚類算法對初值敏感和易陷入局部極小值的問題,借鑒免疫細胞從不成熟到成熟,進而轉(zhuǎn)變?yōu)橛洃浖毎涂贵w這一基本原理來指導數(shù)據(jù)對象聚類,提出了一種基于人工免疫細胞模型的C-均值聚類算法。該算法一方面以親和力為評判標準的二重選擇法,力求所選個體更具代表性：另一方面,通過引入一種自適應變異策略對選出的個體進行變異操作,提高計算效率；并根據(jù)抗體濃度抑制原理選擇最佳抗體組合,以達到優(yōu)化的目的。在整個尋優(yōu)過程中,充分利用免疫記憶機制,保存優(yōu)秀

2、個體,替換較差個體,保證算法的良性進化。通過與遺傳指導算法(GGA)和人工免疫C-均值算法進行比較,初步顯示新算法有利于提高其獲得全局最優(yōu)解的概率,在精度方面也有很好表現(xiàn)。 在上述工作的基礎上,本文進一步研究了基于免疫粒子群優(yōu)化的聚類算法。針對粒子群優(yōu)化算法和傳統(tǒng)聚類算法易產(chǎn)生“早熟”現(xiàn)象的不足,把人工免疫系統(tǒng)的免疫信息進化處理機制引入到粒子群優(yōu)化算法(PSO)中,提出一種基于免疫進化粒子群的動態(tài)聚類算法。算法中粒子適應度的高低

3、有效表明粒子所對應分類方案下聚類效果的優(yōu)劣,在此基礎上選擇部分粒子進行多點均勻突變；初始聚類數(shù)遵循經(jīng)驗規(guī)則kmax≤√n(n為空間樣本數(shù)),并以性能代價函數(shù)為評判標準逐級遞減尋找最優(yōu)k值,實現(xiàn)動態(tài)聚類。仿真實驗證明,將具有較強全局尋優(yōu)能力的PSO與局部搜索能力較強的免疫進化機制相結合,可以提高它們各自處理問題的能力,避免“早熟”現(xiàn)象,同時使收斂精度較粒子群聚類明顯提高。 通過理論分析和實驗論證,我們可以認識到利用免疫思想改進聚類