基于差分進化的模糊C-均值聚類算法研究.pdf

1、隨著數據庫和信息技術的快速發(fā)展，人們面對的數據量以爆炸式的速度增長，為了更好的利用資源，從這些數據中獲取有價值的信息，數據挖掘技術應運而生。目前，在數據挖掘領域的研究中，聚類分析是很重要的一支，許多有效的聚類分析算法被提了出來。其中，模糊C-均值（FCM）的理論基礎相對完善，是應用的比較廣泛的一種聚類算法。但是該算法過分依賴于初值，而且對噪音數據比較敏感。差分進化（DE）算法是一種模擬生物進化的隨機搜索算法，其優(yōu)勢在于過程簡單、控制參數

2、少、易于實現(xiàn)，而且具有較強的全局收斂能力和魯棒性?；诓罘诌M化的模糊C-均值聚類（FCDE）算法就是將DE算法應用到FCM算法中，在一定程度上解決了FCM算法過分依賴于初值，對噪音數據敏感的問題。但是由于FCDE算法的變異和交叉操作的隨機性，使得其收斂速度特別慢。因此，本文針對FCDE算法中存在的以上問題，對其進行了深入的研究。主要工作如下：
　　1.針對DE算法交叉操作粒度過大的問題，本文引入了新的交叉算子，使得交叉對象由原來的

3、樣本數據改為樣本數據中的維度，提高了解的精度；針對DE算法對變異縮放因子F和交叉概率因子CR敏感的問題，本文引入了自適應更新操作，使F和CR在整個算法的執(zhí)行過程中，實時動態(tài)更新，而不是原來的常數，降低了DE算法對F和CR的敏感性。
　　2.針對DE算法收斂過慢的問題，本文引入了新的變異算子，采用一種貪心策略，使DE算法更快向最優(yōu)解收斂；為了防止其陷入局部最優(yōu)，引入了突變機制，使DE算法最終能收斂至全局最優(yōu)。最后本文將改進后的DE算

4、法應用到聚類問題中，提出了一種改進的基于差分進化的模糊C-均值聚類算法-1（IFCDE-1）。
　　3.同樣，針對DE算法收斂過慢的問題，本文從另一個角度將FCDE算法和FCM算法結合起來，充分利用FCDE算法不依賴初值和FCM算法收斂速度快的優(yōu)點，提出了另一種改進的基于差分進化的模糊C-均值聚類算法-2（IFCDE-2）。
　　4.為了驗證算法的有效性，本文采用了3組開源的真實數據集和2組自定義的數據集進行實驗，實驗結果表