基于改進人工蜂群的模糊C均值聚類算法研究.pdf

1、隨著計算機技術的迅速發(fā)展，各類數(shù)據(jù)信息爆炸式的增長。計算機的計算和存儲能力也在日新月異，如何從繁雜的數(shù)據(jù)中提取有用的信息，以幫助分析和決策，得到越來越多的重視。數(shù)據(jù)挖掘技術應運而生，而聚類作為數(shù)據(jù)挖掘領域的重要分支，對于大量數(shù)據(jù)的提取分析起著不可替代的作用。隨著數(shù)據(jù)形式的多樣化，數(shù)據(jù)規(guī)模的大型化，對聚類能力的要求也越來越嚴格。傳統(tǒng)聚類算法對初始點敏感，劃分能力差的缺點越來越滿足不了人們的需求。
　　人工蜂群算法是群智能算法的一種，

2、具有對初始點不敏感、適應能力強和搜索能力強等優(yōu)點。而針對人工蜂群算法對單峰問題收斂速度慢、多峰問題容易陷入局部最優(yōu)，以及相對單一、隨機的擾動方式等問題，我們參考了差分進化算法中變異和交叉的思想，因為差分進化算法經過多年的研究和發(fā)展，具有尋優(yōu)能力強，變異形式多樣的優(yōu)點。通過結合差分進化算法不同的變異方式，讓人工蜂群算法的擾動過程收集更多的有用信息，讓擾動變得更有目的性。不同的變異方式側重不同的種群中的信息，配合相應的控制參數(shù)，平衡了算法的

3、局部搜索和全局搜索能力，加快了算法的收斂速度。
　　模糊C均值聚類算法在數(shù)據(jù)挖掘領域有著廣泛的使用背景，而對初始點的敏感性和較差的搜索能力，限制了算法的進一步推廣應用。將改進的人工蜂群算法和模糊C-均值聚類算法結合得到基于改進人工蜂群的模糊C-均值聚類算法，利用群智能算法適應能力強、搜索能力強的優(yōu)點很好的彌補了模糊C均值聚類算法的缺點，并在多個國際標準數(shù)據(jù)集上的進行實驗驗證。統(tǒng)計分析實驗結果，表明此算法在收斂速度、聚類精度以及穩(wěn)定

4、性等多個衡量指標上取得了明顯的改進。
　　為了進一步推廣基于改進人工蜂群的模糊C-均值聚類算法，排除參數(shù)對實驗結果的不確定性影響，我們進行了大量的實驗，通過實驗總結了算法中兩個重要的控制參數(shù)的變化規(guī)律。其中變異因子F的取值增大，會導致種群的多樣性增加，算法早熟風險降低，穩(wěn)定性增加，但是算法的收斂速度會有一定的下降。交叉因子CR取值的增大，收斂速度加快，降低了聚類的迭代次數(shù)。但CR的取值不能一味的增大，因為CR的取值超過一定的閾值后