基于改進粒子群算法的C-均值聚類算法研究.pdf

1、聚類是一個古老的問題，它伴隨著人類社會的產(chǎn)生和發(fā)展而不斷深化，人類要認識世界就必須區(qū)別不同的事物并認識事物間的相似性，而每個概念的最初形成無不借助于事物的聚類分析。因此，聚類分析的研究不僅具有重要的理論意義，也具有重要的工程應用價值和人文價值。傳統(tǒng)的C-均值聚類算法思想簡單，易于實現(xiàn)，而且運行速度快，內(nèi)存消耗小，能有效地處理大數(shù)據(jù)集，是目前最常用的聚類算法之一。但是它們存在兩個主要的缺點：對初始劃分矩陣敏感和容易陷入局部極小值。

2、 為了解決上述問題，本文研究了基于改進粒子群算法的C-均值聚類算法。首先對粒子群算法做了部分改進，將加速系數(shù)的取值和慣性權重結合起來，提出了一種具有沿折線先增后減慣性權重的粒子群算法，可以從理論上保證該粒子群算法的收斂性。然后將這一改進的粒子群算法引入到C-均值聚類算法中，以增加隸屬度矩陣的初始化多樣性，解決C-均值聚類算法對初值的敏感問題，避免算法容易陷入局部極小值。仿真實驗驗證了該算法的有效性，實驗比較結果表明，該算法比單一使用C-