基于群智能算法的聚類挖掘方法研究.pdf

1、互聯(lián)網(wǎng)時代來臨，為了避免陷入“數(shù)據(jù)豐富，信息匱乏”的窘迫境地，數(shù)據(jù)挖掘擔負著從海量數(shù)據(jù)中提取有價值的潛在信息并實現(xiàn)數(shù)據(jù)價值的重要使命。數(shù)據(jù)挖掘成為了眾多學者在信息時代研究的熱點之一。聚類是數(shù)據(jù)挖掘中的一個重要研究領域，它作為一種數(shù)據(jù)挖掘工具在諸多領域都有重要的應用。群智能算法是一種新興的啟發(fā)式優(yōu)化算法，根據(jù)生物在生態(tài)系統(tǒng)中以存活、覓食、求偶等行為模擬而來。它具有自學習、分布性、自組織、并行性等特點，能很好地處理傳統(tǒng)計算方法難以解決的一些

2、復雜問題，特別是數(shù)據(jù)分析。群智能算法在處理一些復雜優(yōu)化問題方面具備較大的發(fā)展?jié)摿Α?br>　　本文詳細論述了數(shù)據(jù)挖掘的基礎知識和幾種常見的群智能算法，分析了聚類算法存在的問題。論文對螢火蟲算法的理論進行了研究和算法改進，并利用改進的算法來解決聚類問題。主要工作如下:
　　(1)針對傳統(tǒng)模糊C-均值聚類算法初始聚類中心隨機選取、容易陷入局部最優(yōu)、效率低等問題，本文引入了混沌相關理論，提出了一種混沌初始化方法。然后利用Logistic

3、映射修改螢火蟲位置更新公式，得到較好的聚類效果。實驗結果表明:該算法準確率較高，迭代次數(shù)較少。
　　(2)針對傳統(tǒng)模糊C-均值聚類算法全局搜索能力較差、對初始聚類中心選擇較敏感、聚類效果差等缺點，在上一個算法的基礎上提出了一種新的小生境螢火蟲模糊聚類算法。該算法首先采用了隨機性和遍歷性更好的立方映射初始化種群，然后引入隨機慣性權重以修改螢火蟲位置更新公式，以平衡探索和開發(fā)的性能。通過實驗結果可知:該算法提高了聚類質量并具有較強魯棒

4、性。
　　(3)針對k-means聚類算法聚類效果差、對初始聚類中心選擇過分依賴、全局搜索能力較差等缺點，提出了一種引入萊維飛行機制的螢火蟲劃分聚類算法。該算法利用基于密度和最大最小距離法來初始化種群，并在螢火蟲個體位置更新公式中引入萊維飛行機制，以避免陷入局部最優(yōu)，同時使收斂速度更快，且具有良好的全局搜索能力，最后利用平衡方差評價函數(shù)優(yōu)化目標函數(shù)。實驗結果表明，該算法不僅避免了陷入局部最優(yōu)，提高了k-means算法聚類結果質量，