本文關(guān)鍵詞：基于改進(jìn)人工蜂群算法的聚類研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,計(jì)算機(jī)、網(wǎng)絡(luò)的迅猛發(fā)展及市場競爭的激烈程度不斷的加劇,帶來了客戶關(guān)系管理問題中聚類求解效率的更大挑戰(zhàn)。由于其簡單、比其它的啟發(fā)式仿生算法更為有效且魯棒性強(qiáng)的特點(diǎn),人工蜂群算法已受到了國內(nèi)外學(xué)者的關(guān)注,并成功的應(yīng)用在工程方面。人工蜂群算法已被大量實(shí)踐證明能夠快速有效進(jìn)行求解,但是人工蜂群算法的設(shè)計(jì)過于依賴問題特點(diǎn),設(shè)計(jì)一種能夠自動(dòng)基于問題特點(diǎn)對算法設(shè)計(jì)進(jìn)行推薦的機(jī)制可以解決傳統(tǒng)算法設(shè)計(jì)方式的低效性和重復(fù)性問題,實(shí)現(xiàn)問題驅(qū)動(dòng)下的算法快速設(shè)計(jì)。本文在對問題和算法進(jìn)行一般化抽象的基礎(chǔ)上,建立了有效提高聚類效率的改進(jìn)人工蜂群算法。本文研究工作和創(chuàng)新點(diǎn)主要包括： (1)建立聚類分析算法的一般描述模型 通過對客戶關(guān)系問題的對象及其屬性進(jìn)行分析,整理出該問題聚類性的屬性特點(diǎn),并在此基礎(chǔ)上基于本體理論建立了客戶關(guān)系問題的聚類描述模型。 (2)提出改進(jìn)蜂群算法 圍繞蜂群算法的原理、特點(diǎn)、改進(jìn)及其應(yīng)用等方面進(jìn)行全面綜述,重點(diǎn)針對復(fù)雜環(huán)境的蜂群算法研究內(nèi)容以及算法的多種改進(jìn)形式,并對將來的研究方向進(jìn)行了分析。為了提高開發(fā)探索能力,將全局最優(yōu)解整合到搜索過程中,提出了一種改進(jìn)的人工蜂群算法。改進(jìn)人工蜂群算法有效的提高了蜂群算法的性能。與對比算法相比,改進(jìn)的人工蜂群算法具有更高的收斂精度,并且收斂速度更快。 (3)建立混合算法求解框架 基于應(yīng)用客戶關(guān)系聚類分析和蜂群算法引擎,構(gòu)建了問題-策略知識庫。并建立了基于概率的蜂群算子選擇機(jī)制,通過記錄每類問題的算子選擇歷史績效,不斷迭代分化不同算子組合的選擇概率,最終實(shí)現(xiàn)對算子的推薦策略。在該機(jī)制的建立過程中,設(shè)計(jì)了兩種生成初始算子池的方法,一種是基于蜂群算法設(shè)計(jì)規(guī)則全集的方法,另一種則是以基于均勻聚類設(shè)計(jì)的方法得到的算子設(shè)計(jì)規(guī)則樣本為初始算子池。改進(jìn)人工蜂群算法能調(diào)節(jié)全局尋優(yōu)能力與局部尋優(yōu)能力的優(yōu)點(diǎn)與K-均值算法收斂速度快的優(yōu)點(diǎn)相結(jié)合,來提高算法的魯棒性。通過大量的實(shí)驗(yàn)分析,該算法不僅克服了傳統(tǒng)K-均值聚類算法穩(wěn)定性差的缺點(diǎn),而且聚類效果也有了明顯改善,同時(shí)也證明了這兩種方法的合理性和有效性。 (4)框架的實(shí)例化和方法研究 根據(jù)優(yōu)化求解策略和改進(jìn)蜂群算法,對客戶關(guān)系管理問題進(jìn)行實(shí)例化。通過對該問題分類的定量化描述和對聚類算法推薦方法的研究,實(shí)例化了求解這類問題的算子框架。實(shí)驗(yàn)證明了該混合算法的可行性和合理性。
【關(guān)鍵詞】：群集智能 聚類分析 改進(jìn)蜂群算法 客戶關(guān)系管理 混合蜂群算法
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP18
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第1章 緒論11-22
• 1.1 課題背景及研究意義11-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-19
• 1.2.1 國內(nèi)外數(shù)據(jù)挖掘研究現(xiàn)狀和發(fā)展趨勢13-15
• 1.2.2 國內(nèi)外聚類分析算法研究現(xiàn)狀15-16
• 1.2.3 人工蜂群算法研究現(xiàn)狀16-19
• 1.3 論文的研究內(nèi)容和研究思路19-22
• 1.3.1 研究內(nèi)容19-20
• 1.3.2 研究思路20-22
• 第2章 聚類算法22-34
• 2.1 聚類算法22-29
• 2.1.1 聚類算法基本知識22-23
• 2.1.2 聚類分析算法23-27
• 2.1.3 聚類算法的一般步驟27-28
• 2.1.4 聚類的評價(jià)標(biāo)準(zhǔn)28-29
• 2.2 K-Means聚類算法29-33
• 2.2.1 K-Means聚類算法基本描述29
• 2.2.2 K-means聚類算法步驟29-31
• 2.2.3 K-均值聚類算法的優(yōu)缺點(diǎn)及改進(jìn)方式31-33
• 2.3 本章小結(jié)33-34
• 第3章 改進(jìn)人工蜂群K-means算法34-57
• 3.1 人工蜂群算法34-37
• 3.1.1 蜂群行為描述34
• 3.1.2 人工蜂群算法基本描述34-37
• 3.2 改進(jìn)人工蜂群算法37
• 3.3 改進(jìn)人工蜂群K-means算法37-40
• 3.4 改進(jìn)人工蜂群算法性能測試與分析40-56
• 3.4.1 實(shí)驗(yàn)測試集40-41
• 3.4.2 改進(jìn)蜂群算法與標(biāo)準(zhǔn)蜂群算法、遺傳算法以及進(jìn)化算法比較41-49
• 3.4.3 MABC同IABC、DE及PSO算法比較49-52
• 3.4.4 MABC同GABC、EABC及ABC算法比較52-53
• 3.4.5 測試limit值對蜂群算法性能的影響53-55
• 3.4.6 結(jié)論55-56
• 3.5 本章小結(jié)56-57
• 第4章 改進(jìn)人工蜂群K-means算法在客戶關(guān)系管理應(yīng)用57-71
• 4.1 客戶關(guān)系管理基本行業(yè)背景57-59
• 4.2 客戶關(guān)系管理技術(shù)59-63
• 4.2.1 CRM中的數(shù)據(jù)挖掘技術(shù)59-62
• 4.2.2 面臨的問題62-63
• 4.3 改進(jìn)人工蜂群K-means算法客戶聚類應(yīng)用63-66
• 4.3.1 客戶聚類63-64
• 4.3.2 客戶聚類基本描述64-65
• 4.3.3 客戶聚類模型建立65-66
• 4.4 實(shí)驗(yàn)與分析66-70
• 4.5 本章小結(jié)70-71
• 第5章 結(jié)論與展望71-73
• 5.1 總結(jié)71-72
• 5.2 展望72-73
• 參考文獻(xiàn)73-78
• 攻讀學(xué)位期間公開發(fā)表論文78-79
• 致謝79

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 孫吉貴;劉杰;趙連宇;;聚類算法研究[J];軟件學(xué)報(bào);2008年01期

  本文關(guān)鍵詞：基于改進(jìn)人工蜂群算法的聚類研究，由筆耕文化傳播整理發(fā)布。

本文編號：401634