基于P系統(tǒng)的改進(jìn)粒子群優(yōu)化算法研究及其在聚類問題中的應(yīng)用.pdf

1、膜計算又被成為膜系統(tǒng)或者P系統(tǒng)，它是一種具有分布式、極大并行性的計算模型，大量研究已表明，許多簡單膜系統(tǒng)在理論上具有與圖靈機(jī)同等的計算能力，鑒于該計算模型強(qiáng)大的并行計算能力，膜系統(tǒng)還有可能突破圖靈機(jī)的局限性或取而代之。膜系統(tǒng)已經(jīng)成為一個比較熱門的研究領(lǐng)域，因此膜計算在各領(lǐng)域發(fā)展迅速。
　　聚類就是將一系列數(shù)據(jù)對象劃分成多個組或者簇的數(shù)據(jù)處理過程，簇內(nèi)數(shù)據(jù)相似性較高，簇間數(shù)據(jù)不相似?，F(xiàn)如今，聚類分析已被應(yīng)用到多個領(lǐng)域，比如機(jī)器學(xué)習(xí)，

2、圖像模式識別，市場分析等等。粒子群優(yōu)化算法是一種隨機(jī)優(yōu)化算法，它通過模擬鳥類或者魚類的覓食行為來完成自身的自我進(jìn)化。作為一種基于群體智能算法，粒子群優(yōu)化算法由于其參數(shù)少，且易于實(shí)現(xiàn)等優(yōu)點(diǎn)，目前已被成功應(yīng)用到多個領(lǐng)域，如數(shù)據(jù)聚類、模式識別、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等等。但是粒子群優(yōu)化算法仍然存著著自身難以克服的缺點(diǎn)，比如容易陷入局部最優(yōu)，產(chǎn)生過早收斂等，為了改善這些缺點(diǎn)，提高算法性能，眾多學(xué)者對其進(jìn)行了改進(jìn)。
　　本文針對粒子群優(yōu)化算法進(jìn)行了適

3、當(dāng)改進(jìn)，加入遠(yuǎn)離最差這種思想來進(jìn)行尋優(yōu)，這種思路可以幫助提高種群的多樣性，增強(qiáng)尋優(yōu)能力。遺傳算法的突變機(jī)制能夠幫助很好的增加種群的多樣性，通過把這種機(jī)制引入到改進(jìn)的粒子群算法中，改善算法容易陷入局部最優(yōu)的情況。在粒子群優(yōu)化算法中，粒子位置的改變都是直接的，因此，我們通過借助模擬退火規(guī)則來對粒子速度的位置變化做出概率規(guī)定，借此提高種群的全局搜索能力。本文嘗試在這些算法上對粒子群算法進(jìn)行適當(dāng)改進(jìn)，之后將改進(jìn)后的粒子群優(yōu)化算法與膜系統(tǒng)結(jié)合，用

4、進(jìn)化算法替代膜規(guī)則，利用膜系統(tǒng)的交流規(guī)則來交流獲得最優(yōu)解，從而完成聚類問題。
　　Y通過將粒子群優(yōu)化算法結(jié)合遺傳算法的遺傳機(jī)制以及模擬退火機(jī)制，對原粒子群算法全局搜索能力進(jìn)行了改進(jìn)，并且?guī)椭纳迫菀紫萑刖植孔顑?yōu)情況。本文將改進(jìn)的粒子群優(yōu)化算法結(jié)合膜系統(tǒng)，嘗試用基于膜系統(tǒng)的粒子群優(yōu)化算法算法進(jìn)行聚類。并且針對現(xiàn)有聚類算法的一些問題，嘗試用現(xiàn)有改進(jìn)的膜進(jìn)化方法進(jìn)行改進(jìn)，幫助進(jìn)一步提高算法的性能。
　　客戶關(guān)系管理是一種以客戶為中

5、心，以企業(yè)與外部交流為主導(dǎo)，以企業(yè)前端業(yè)務(wù)應(yīng)用為主的一種管理模式。客戶細(xì)分是客戶關(guān)系管理的基礎(chǔ)，它是將一個大的客戶群或者消費(fèi)者群體劃分成若干個細(xì)分群體，群體中同屬于一個細(xì)分群體的客戶或者消費(fèi)者的彼此間消費(fèi)特性相似，從屬于不同細(xì)分群體的客戶或者消費(fèi)者之間特性不同。借助數(shù)據(jù)挖掘的方法對既有客戶進(jìn)行細(xì)分，可以幫助企業(yè)更透徹的理解客戶的行為特征，發(fā)現(xiàn)新的商業(yè)機(jī)會，減少對既有客戶的營銷成本，更好的滿足消費(fèi)者需求。本文研究和實(shí)現(xiàn)了用改進(jìn)的K-mea