本文關(guān)鍵詞：人工魚群和k-means相結(jié)合的聚類算法研究與分布式實現(xiàn)　出處：《江蘇大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 聚類分析 k-means算法 人工魚群算法 大數(shù)據(jù)挖掘

【摘要】：k-means算法是一種典型的基于距離的聚類算法,簡單、時間復(fù)雜度近似于線性使得其較適合大規(guī)模數(shù)據(jù)集的挖掘。k-means算法以誤差平方和作為準則函數(shù),每一次迭代均是朝著函數(shù)值減小的方向進行。因此也可以把k-means聚類歸為優(yōu)化問題。群體智能優(yōu)化算法是一種新興的演化計算技術(shù),它利用群體優(yōu)勢、分布搜索,能夠在不了解全局模型情況下快速獲得優(yōu)化問題最優(yōu)解�；诜律袨榈娜斯~群算法即為一種有代表性的優(yōu)化算法。該算法通過構(gòu)造人工魚來模仿魚群的覓食、聚群及追尾行為從而實現(xiàn)尋優(yōu)。收斂速度快、不需要嚴格的問題模型等是該算法的主要優(yōu)點。針對人工魚群算法中魚群數(shù)目多計算量大,固定的最大步長在尋優(yōu)后期影響收斂速度和尋優(yōu)精度等問題,論文提出淘汰機制與自適應(yīng)的最大步長策略。淘汰機制基于適應(yīng)度函數(shù),通過一定量的次數(shù),淘汰適應(yīng)度小的人工魚,減少人工魚個體數(shù)目,降低計算量;自適應(yīng)的最大步長策略是指在尋優(yōu)初期,獲取大步長加快收斂速度,在尋優(yōu)后期獲取小步長提高尋優(yōu)精度。論文將人工魚群算法與k-means算法相結(jié)合,用于大規(guī)模的數(shù)據(jù)挖掘。目的是利用人工魚群算法的全局最優(yōu)性解決k-means算法對初始中心敏感,容易陷入局部最優(yōu)問題。所做的主要工作包括:設(shè)計了包含聚類數(shù)目及聚類中心的編碼,即用一條人工魚代表選擇的一種初始聚類中心,這樣可以增大找到全局最優(yōu)聚類中心的概率;把k-means聚類中心引入人工魚適應(yīng)度函數(shù),使人工魚在尋優(yōu)過程中自動地確定近似全局最優(yōu)的初始聚類中心。將近似全局最優(yōu)的初始聚類中心作為k-means初值進行詳細地局部搜索,提高精度。傳統(tǒng)算法在面對大規(guī)模數(shù)據(jù)時的處理能力難以令人滿意,如何高效地挖掘成為當(dāng)前研究的熱點。論文研究云計算環(huán)境下海量數(shù)據(jù)的并行聚類算法,重點是使用MapReduce并行計算框架處理人工魚群和k-means相結(jié)合的算法,在保證聚類效果的前提下,提高算法的可擴展性和效率。
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18;TP311.13

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 曲良東;何登旭;;改進的人工魚群算法及其在近似求導(dǎo)中的應(yīng)用[J];微電子學(xué)與計算機;2009年05期

2 王聯(lián)國;洪毅;趙付青;余冬梅;;一種簡化的人工魚群算法[J];小型微型計算機系統(tǒng);2009年08期

3 王宗利;劉希玉;王文平;;一種改進的人工魚群算法[J];信息技術(shù)與信息化;2010年03期

4 韋修喜;曾海文;周永權(quán);;云人工魚群算法[J];計算機工程與應(yīng)用;2010年22期

5 曾蒙迪;;人工魚群算法的簡介及應(yīng)用[J];信息與電腦(理論版);2011年04期

6 李媛;;基于人工魚群算法的多元線性回歸分析問題處理[J];渤海大學(xué)學(xué)報(自然科學(xué)版);2011年02期

7 陳曉峰;宋杰;;量子人工魚群算法[J];東北大學(xué)學(xué)報(自然科學(xué)版);2012年12期

8 王波;;基于細胞膜優(yōu)化的人工魚群算法研究[J];科技通報;2013年03期

9 王培崇;;人工魚群算法研究綜述[J];中國民航飛行學(xué)院學(xué)報;2013年04期

10 李曉磊,薛云燦,路飛,田國會;基于人工魚群算法的參數(shù)估計方法[J];山東大學(xué)學(xué)報(工學(xué)版);2004年03期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 李曉磊;錢積新;;人工魚群算法:自下而上的尋優(yōu)模式[A];過程系統(tǒng)工程2001年會論文集[C];2001年

2 徐公林;張鐵龍;;人工魚群算法在電力系統(tǒng)負荷模型參數(shù)辨識中的應(yīng)用[A];中國高等學(xué)校電力系統(tǒng)及其自動化專業(yè)第二十四屆學(xué)術(shù)年會論文集（中冊）[C];2008年

3 劉耀年;姚玉萍;李迎紅;劉俊峰;;基于人工魚群算法RBF神經(jīng)網(wǎng)絡(luò)[A];第十屆全國電工數(shù)學(xué)學(xué)術(shù)年會論文集[C];2005年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 王聯(lián)國;人工魚群算法及其應(yīng)用研究[D];蘭州理工大學(xué);2009年

2 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

3 張梅鳳;人工魚群智能優(yōu)化算法的改進及應(yīng)用研究[D];大連理工大學(xué);2008年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 陳斐;改進的人工魚群算法分析與研究[D];西安電子科技大學(xué);2012年

2 王蕾;一種人工螢火蟲群優(yōu)化算法改進的研究[D];青島理工大學(xué);2015年

3 馬堯;基于改進的人工魚群算法在商旅問題中的應(yīng)用研究[D];西南交通大學(xué);2015年

4 薛亞娣;改進的人工魚群算法及其應(yīng)用研究[D];蘭州大學(xué);2015年

5 彭鵬;配電網(wǎng)無功優(yōu)化和跟蹤調(diào)節(jié)技術(shù)研究[D];沈陽理工大學(xué);2015年

6 崔淑慧;三維管路自動敷設(shè)算法及干涉校驗方法研究[D];哈爾濱工業(yè)大學(xué);2015年

7 黃鋒;混沌人工魚群算法及其在水庫(群)優(yōu)化調(diào)度中的應(yīng)用[D];華北電力大學(xué);2015年

8 劉翔;基于改進人工魚群算法的化工過程優(yōu)化[D];北京化工大學(xué);2015年

9 喻俊松;基于改進人工魚群算法無人機航跡規(guī)劃研究[D];南昌航空大學(xué);2015年

10 陳新;基于人工魚群算法的柔性作業(yè)車間調(diào)度研究[D];大連理工大學(xué);2015年

，

本文編號：1315909