基于改進遺傳算法的模糊聚類研究及應用.pdf

1、在基于目標函數(shù)的聚類算法中，模糊C-均值聚類算法的理論最為完善、應用最為廣泛。從理論上說，它通過迭代的爬山技術(shù)來尋找問題的最優(yōu)解，是一種局部搜索算法。
　　 因此它有一個明顯的缺點，就是容易受初始值的影響而陷入局部極小值。遺傳算法是一種應用廣泛的全局優(yōu)化算法，它具有簡單、通用、抗噪能力強等特點，是一種與求解問題不相關(guān)的算法模式。正是由于遺傳算法的這些優(yōu)點能夠解決模糊C-均值聚類算法對初始化敏感的問題。因此，把模糊C-均值聚類算法

2、與遺傳算法配合起來使用，既可以發(fā)揮模糊C-均值聚類算法的局部搜索能力又充分照顧了遺傳算法的全局尋優(yōu)能力，從而提高混合算法的收斂速度并更好地解決聚類問題。
　　 通過閱讀大量文獻資料，并對模糊聚類算法、遺傳算法以及其他相關(guān)算法的理解吸收和研究，本文提出了一種基于改進遺傳算法的模糊C-均值聚類算法。論文的主要工作如下：
　　 (1)基本遺傳算法的改進。在遺傳算法中根據(jù)各個個體到當前最優(yōu)種子的距離把種群劃分成優(yōu)勢種群、次優(yōu)種群

3、兩部分，并分別采用不同的遺傳進化策略對兩種群分別進行進化。在選擇策略方面，采用了精英保留和輪盤賭混合策略，且與以往不同的是讓精英個體參與下一代遺傳操作，從而保證了算法的收斂性，確保了遺傳進化的穩(wěn)定性，抑制無效解的擴散，提高了對聚類中心的搜索效率。交叉變異方面，優(yōu)勢種群主要以交叉為主，次優(yōu)種群以變異為主，保證了種群的平均適應度和種群的多樣性。
　　 (2)改進遺傳算法解決模糊C-均值聚類初值敏感問題。本文算法使用遺傳算法對模糊C-

4、均值聚類算法的初始聚類中心進行優(yōu)化，解決初始值對模糊聚類算法的影響。針對該問題，編碼采用把聚類中心作為染色體的實數(shù)編碼機制，這種表示方法使得搜索空間擴大，有利于全局搜索，并且求解精度提高。適應度函數(shù)借助于模糊C-均值聚類算法的目標函數(shù)。判斷準則采用最大迭代次數(shù)和上下幾代平均適應度的變化值小于某一閾值來判斷，縮短遺傳算法的運行時間。
　　 (3)改進算法的性能分析。以MATLAB 7.0為實驗仿真平臺，使用標準數(shù)據(jù)集IRIS比較測