一種改進(jìn)的遺傳算法在K-Means聚類分析中的應(yīng)用.pdf

1、一般我們?cè)谔幚砟承┨厥馐虑榈臅r(shí)候，往往需要借助工具，將事物分類之后再進(jìn)行研究，比如地質(zhì)資源勘探中根據(jù)物探、鉆探的指標(biāo)對(duì)樣本進(jìn)行分類；考古生物學(xué)研究中根據(jù)發(fā)掘出的骨骸形狀和大小將它們分類；氣象衛(wèi)星系統(tǒng)中因?yàn)樗O(jiān)測(cè)到數(shù)據(jù)信息非常復(fù)雜、龐大，需要將它們按照不同的指標(biāo)進(jìn)行分類歸整，再進(jìn)行深入分析，以便做出準(zhǔn)確的預(yù)報(bào)等等，聚類分析因此應(yīng)運(yùn)而生。聚類分析技術(shù)是一門將具體或抽象的對(duì)象劃分成不同的類別的科學(xué)，其中并沒有事先的分類。它也是一種重要的人類行

2、為。隨著計(jì)算機(jī)和信息技術(shù)的快速發(fā)展，數(shù)據(jù)信息呈現(xiàn)飛速增長(zhǎng)的趨勢(shì)，作為數(shù)據(jù)挖掘技術(shù)的一種重要手段，聚類分析已經(jīng)被越來越多的人所關(guān)注。
　　K-Means算法是一種基于劃分的算法，由于其操作簡(jiǎn)單，原理通俗易懂的特點(diǎn)，得到了人們的廣泛應(yīng)用和研究，成為十大典型數(shù)據(jù)挖掘算法之一。但是K-Means算法也有自身的不足，即k值不好確定的問題，初始中心只能隨機(jī)選擇，容易陷入局部最優(yōu)解等，導(dǎo)致算法很不穩(wěn)定。因此，本文在K-Means聚類算法基礎(chǔ)上引

3、入遺傳算法，它是一種通過模仿生物演化過程而開發(fā)的進(jìn)行搜索最優(yōu)解的方法，具有良好的全局搜索能力。針對(duì)兩種算法的特點(diǎn)，提出一種改進(jìn)遺傳算法應(yīng)用于K-Means聚類的混合算法，并用樣本數(shù)據(jù)集進(jìn)行了仿真實(shí)驗(yàn)，實(shí)驗(yàn)表明本文算法在應(yīng)用中得到了良好的聚類效果。
　　本文的工作主要分為兩部分：
　　1)第一部分主要簡(jiǎn)單介紹了聚類分析、K-Means算法和遺傳算法的基本概念。重點(diǎn)概述了K-Means算法和遺傳算法的基本思想，描述了算法的組成和