基于變異粒子群的聚類算法研究.pdf

1、在數(shù)據(jù)挖掘中，很多工作都集中在發(fā)現(xiàn)能夠高效地對大數(shù)據(jù)庫進行聚類分析的方法上。在現(xiàn)有的大量聚類算法中，尤其以K-means算法應(yīng)用比較廣泛。K-means算法以點為原型，能夠?qū)崿F(xiàn)球形數(shù)據(jù)的聚類。該算法思想簡單，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，但是K-means聚類算法存在一些缺點：只有在初始值確定的情況下，聚類結(jié)果才是唯一確定的；算法都是局部尋優(yōu)算法，容易追尋目標函數(shù)而陷入局部最優(yōu)解，而且算法在一定程度上依賴于

2、初始分類的確定，如果初始分類嚴重地偏離全局最優(yōu)分類時，算法很容易陷入局部極小值，得到一個局部最優(yōu)解。另一方面由于PSO算法結(jié)構(gòu)簡單，運行速度快，所以也被大量地用于聚類算法中。因此本文在前人的基礎(chǔ)上對算法進行了改進，把兩種算法進行了有機的結(jié)合。所做的工作如下：
　　 1．用變異粒子群聚類挖掘完成聚類。首先分析了粒子群算法的缺點，將粒子變異引入粒子群算法，通過增加種群的多樣性來克服早熟收斂現(xiàn)象；其次通過對慣性權(quán)重的調(diào)整提高了算法的精

3、度和收斂速度；最后，將K-means算法和粒子群算法結(jié)合起來形成一種混合聚類算法。該算法有效地平衡了粒子群尋優(yōu)過程中的探索和開發(fā)，從而保證了粒子群算法穩(wěn)定且收斂到全局最優(yōu)。
　　 2．用基于種群多樣性的PSO聚類挖掘算法實現(xiàn)聚類。首先分析現(xiàn)有的描述種群多樣性指標的缺點；其次將基于粒子群算法的變異操作和K-means算法結(jié)合到粒子群算法中；最后，通過內(nèi)部空間特性對粒子進行適當?shù)臄_動。該算法既改善了粒子群算法的局部搜索能力，又通過增