基于人工蜂群算法的改進(jìn)K-均值聚類算法及其應(yīng)用.pdf

1、人工蜂群算法(Artificial Bee Colony algorithm，ABC)是一種模擬蜜蜂群體合作覓食行為的群體智能優(yōu)化算法，由土耳其學(xué)者Karaboga于2005年首次系統(tǒng)地提出。由于其操作簡單，控制參數(shù)較少，收斂速度較快，易于實現(xiàn)等特點，吸引了越來越多的學(xué)者進(jìn)行研究并有效地將其應(yīng)用于函數(shù)優(yōu)化、數(shù)據(jù)挖掘、神經(jīng)網(wǎng)絡(luò)、旅行高等實際的優(yōu)化問題當(dāng)中。但基本人工蜂群算法的函數(shù)優(yōu)化過程中位置更新公式精于探索疏于開發(fā)的特性，導(dǎo)致算法廣度與

2、深度搜索不夠充分、搜索精度不高、容易陷入局部最優(yōu)解，從而影響了優(yōu)化算法的性能，因此亟需對基本ABC算法進(jìn)行改進(jìn)研究。本文首先對ABC算法位置更新公式進(jìn)行了改進(jìn)，提出一種帶搜索因子的全局最優(yōu)人工蜂群算法，然后將改進(jìn)后的ABC算法與K-均值聚類算法進(jìn)行結(jié)合，克服了原始K-均值對初始聚類中心敏感以及易陷入局部最優(yōu)的缺點，最后將混合聚類算法應(yīng)用于某電子商務(wù)交易流水?dāng)?shù)據(jù)進(jìn)行客戶細(xì)分。本論文的主要工作有:
　　(1)針對朱國普等人提出的全局最

3、優(yōu)人工蜂群算法(Gbest-guided ABCalgorithm，GABC)在搜索迭代過程中未充分考慮到全局優(yōu)化和局部優(yōu)化在優(yōu)化過程中的作用，在一定程度上降低了算法的全局搜索能力，容易陷入局部最優(yōu)解的問題，本文提出了一種帶搜索因子的全局最優(yōu)人工蜂群算法(HF-GABC)。在GABC算法的基礎(chǔ)上引入了可以隨著優(yōu)化過程動態(tài)搜索的因子，對算法的全局搜索過程和局部搜索過程中進(jìn)行動態(tài)搜索。改進(jìn)的算法對四個標(biāo)準(zhǔn)測試集函數(shù)分別進(jìn)行仿真試驗，并與AB

4、C算法、GABC算法的結(jié)果對比。實驗結(jié)果表明，帶搜索因子的人工蜂群算法收斂性能優(yōu)于ABC和GABC算法，有效降低了局部收斂的可能性并且提高了算法的收斂精度。
　　(2)針對傳統(tǒng)K均值聚類算法收斂速度快但對初始聚類中心敏感，易陷入局部最優(yōu)，魯棒性較差等缺點，論文提出一種帶搜索因子全局最優(yōu)人工蜂群算法(HF-GABC)與K-均值算法相結(jié)合的聚類算法(HFGABC-K)，改進(jìn)全局最優(yōu)人工蜂群算法可以較好地提高局部搜索能力和全局搜索能力，

5、在與K-均聚類算法收斂速度快等優(yōu)點相結(jié)合，解決了原始K-均值算法過于依賴初始聚類中心和易陷入局部最優(yōu)的缺陷。為了驗證算法的可行性與有效往，論文選取UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫中的Iris、Wine和CMC標(biāo)準(zhǔn)數(shù)據(jù)集在K-均值、ABC-K、GABC-K和HFGABC-K算法分別進(jìn)行實驗。實驗結(jié)果表明，新的算法不但克服了傳統(tǒng)K-均值魯棒性較差的缺點，并且聚類效果也獲得了明顯改善。
　　(3)將改進(jìn)后的聚類算法主要針對某網(wǎng)站交易流水?dāng)?shù)據(jù)進(jìn)行電子