本文選題：聚類分析 + K-means算法��； 參考：《合肥工業(yè)大學(xué)》2017年碩士論文

【摘要】：K-means算法對大型數(shù)據(jù)集的處理有較好的擴展性,較高的效率。然則Kmeans算法存在不足之處,它的不足之處就是聚類的效果很大程度上受初始聚類中心選擇的影響,而且整體的開銷容易受到數(shù)據(jù)初始量大小的影響。所以為了彌補傳統(tǒng)聚類算法在聚類分析中的一些缺點,一些研究人員借鑒仿生學(xué),從生物進化的機理中將一些智能算法與聚類算法融合,優(yōu)化聚類過程,提升算法效能。而人工魚群算法(Artificial Fish Swarm Algorithm,AFSA)作為一種仿生優(yōu)化算法,其本身擁有對初始參數(shù)要求低、結(jié)構(gòu)簡單和尋優(yōu)速度快等優(yōu)點,可用于許多優(yōu)化模型的求解。因此將人工魚群算法用來優(yōu)化K-means算法將能夠有效提升聚類效果。論文在深入分析K-means算法和人工魚群算法的國內(nèi)外研究現(xiàn)狀基礎(chǔ)上,在深入研究K-means算法和人工魚群算法的相關(guān)理論和方法后,針對K-means算法不足之處,提出用人工魚群算法來優(yōu)化K-means算法的聚類過程,通過構(gòu)造人工魚個體、確定算法目標(biāo)函數(shù),提出用于解決聚類問題的人工魚群K-means算法。論文設(shè)計相關(guān)對比實驗,通過編程將人工魚群K-means算法實現(xiàn),并與K-means算法在相同條件下處理相關(guān)數(shù)據(jù)集,運用最優(yōu)值、最優(yōu)值次數(shù)、準(zhǔn)確度等相關(guān)評估準(zhǔn)則,對比評估結(jié)果并對算法性能進行驗證。同時將此算法運用到通信領(lǐng)域的客戶細分中,根據(jù)實驗分組結(jié)果制定相應(yīng)營銷策略。
[Abstract]:K-means algorithm has good expansibility and high efficiency for processing large data sets. However, the Kmeans algorithm has some shortcomings, which is that the effect of clustering is greatly affected by the selection of the initial clustering center, and the overall cost is easily affected by the size of the initial data. So in order to make up for some shortcomings of traditional clustering algorithm, some researchers learn from bionics, combine some intelligent algorithms with clustering algorithm from the mechanism of biological evolution, optimize the clustering process and improve the efficiency of the algorithm. As a bionic optimization algorithm, artificial Fish Swarm algorithm (AFSA) has the advantages of low requirements for initial parameters, simple structure and fast optimization speed, which can be used to solve many optimization models. Therefore, using artificial fish swarm algorithm to optimize K-means algorithm can effectively improve the clustering effect. On the basis of deeply analyzing the research status of K-means algorithm and artificial fish swarm algorithm at home and abroad, after deeply studying the relevant theories and methods of K-means algorithm and artificial fish swarm algorithm, this paper aims at the deficiency of K-means algorithm. An artificial fish swarm algorithm is proposed to optimize the clustering process of K-means algorithm. By constructing artificial fish individuals and determining the objective function of the algorithm, an artificial fish swarm K-means algorithm is proposed to solve the clustering problem. This paper designs the correlation contrast experiment, realizes the artificial fish swarm K-means algorithm through the programming, and processes the correlation data set with the K-means algorithm under the same condition, uses the best value, the best value times, the accuracy and so on correlation appraisal criterion. The evaluation results are compared and the performance of the algorithm is verified. At the same time, the algorithm is applied to the customer segmentation in the field of communication, and the corresponding marketing strategy is formulated according to the experimental results.
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：F274;F626

【參考文獻】

相關(guān)期刊論文 前10條

1 吉鵬飛;齊建東;朱文飛;;改進人工魚群算法在Hadoop作業(yè)調(diào)度算法的應(yīng)用[J];計算機應(yīng)用研究;2014年12期

2 李麗;李會;張?zhí)禧?陶佰睿;張文秀;;基于改進魚群算法的WSN覆蓋優(yōu)化策略[J];微電子學(xué)與計算機;2013年02期

3 曲良東;何登旭;;一種混沌人工魚群優(yōu)化算法[J];計算機工程與應(yīng)用;2010年22期

4 劉凌子;周永權(quán);;一種基于人工魚群和文化算法的新型混合全局優(yōu)化算法[J];計算機應(yīng)用研究;2009年12期

5 劉彥君;江銘炎;;自適應(yīng)視野和步長的改進人工魚群算法[J];計算機工程與應(yīng)用;2009年25期

6 黃志紅;;基于層次聚類的k均值算法研究[J];電腦開發(fā)與應(yīng)用;2009年07期

7 劉白;周永權(quán);;基于遺傳算法的人工魚群優(yōu)化算法[J];計算機工程與設(shè)計;2008年22期

8 劉白;周永權(quán);;一種基于人工魚群的混合聚類算法[J];計算機工程與應(yīng)用;2008年18期

9 張靜;;數(shù)據(jù)挖掘在生物信息中應(yīng)用的現(xiàn)狀及展望[J];電腦知識與技術(shù);2008年14期

10 范玉軍;王冬冬;孫明明;;改進的人工魚群算法[J];重慶師范大學(xué)學(xué)報(自然科學(xué)版);2007年03期

相關(guān)博士學(xué)位論文 前3條

1 邱劍鋒;人工蜂群算法的改進方法與收斂性理論的研究[D];安徽大學(xué);2014年

2 楊鈐雯;序列模式挖掘方法及Web使用挖掘研究[D];天津大學(xué);2010年

3 李曉磊;一種新型的智能優(yōu)化方法-人工魚群算法[D];浙江大學(xué);2003年

相關(guān)碩士學(xué)位論文 前4條

1 肖琪;基于優(yōu)化K-means算法的電力負荷分類研究[D];大連理工大學(xué);2015年

2 王沖;基于群智能優(yōu)化的聚類算法研究[D];陜西師范大學(xué);2013年

3 譚本軍;基于K-means聚類融合算法及在移動客戶細分中的應(yīng)用[D];中南大學(xué);2010年

4 張坤;魚群算法在直接轉(zhuǎn)矩控制系統(tǒng)中的應(yīng)用研究[D];沈陽工業(yè)大學(xué);2009年

，

本文編號：1942132