K-means聚類優(yōu)化算法的研究.pdf

1、聚類是數(shù)據(jù)挖掘中頗為重要的技術(shù)，其功能是按照某種準(zhǔn)則將數(shù)據(jù)劃分成組。K-means算法是一種被廣泛使用的聚類算法，本文主要對該算法做深入的分析和研究。K-means算法具有簡單易行、高效性等優(yōu)點(diǎn)。但是，該算法具有對初值選擇的依賴性和敏感性、易受孤立點(diǎn)影響、易陷入局部最優(yōu)等缺點(diǎn)。為此，本文提出并設(shè)計(jì)了兩類改進(jìn)算法，主要工作內(nèi)容如下：
　　 1．針對初值選擇依賴性的不足，采用初值優(yōu)化方法完成聚類。首先采用了一種基于密度、距離和鄰域的

2、初始化中心點(diǎn)的方法；然后，將其用于改進(jìn)標(biāo)準(zhǔn)的K-means算法；接著，進(jìn)一步結(jié)合動態(tài)聚類和粗糙聚類的思想，設(shè)計(jì)了一種K-means粗糙聚類算法。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法在較大程度上彌補(bǔ)了K-means算法的不足，提高了聚類結(jié)果的穩(wěn)定性和有效性。
　　 2．針對易陷入局部最優(yōu)的不足，設(shè)計(jì)混合算法實(shí)現(xiàn)聚類。在分析和研究K-means算法與差分進(jìn)化算法的特點(diǎn)的基礎(chǔ)上，提出了一種基于差分進(jìn)化算法的K-means聚類算法。該方法將二者有機(jī)的