【摘要】：聚類是分析數(shù)據(jù)并從中發(fā)現(xiàn)有用信息的一種有效手段。聚類可以將對象數(shù)據(jù)分組成為若干個簇,使同一個簇中的對象之間的相似度較高,而不同簇中的對象之間差別很大。通過聚類,可以發(fā)現(xiàn)全局的分布模式以及數(shù)據(jù)屬性之間有趣的相互關(guān)系。近幾年來,聚類技術(shù)已經(jīng)成為數(shù)據(jù)挖掘的主要方法之一。 群體智能是一種新興演化計算技術(shù),用于數(shù)據(jù)分析時,會繼承生物系統(tǒng)良好的處理機制和特征。它與人工生命,特別是進化策略和遺傳算法有著極為特殊的聯(lián)系,已完成的理論和應(yīng)用研究表明群體智能方法是一種能夠有效解決大多數(shù)全局優(yōu)化問題的新方法。 本論文主要是針對群體智能的特點,以傳統(tǒng)的聚類分析問題為主要研究對象,對蟻群優(yōu)化算法、粒子群優(yōu)化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分析問題。研究表明,基于群體智能優(yōu)化的聚類分析方法收斂速度快、適應(yīng)性強,比一般的聚類分析方法能更好地揭示數(shù)據(jù)之間的相關(guān)性,為提高數(shù)據(jù)聚類的質(zhì)量和效率提供了有利保障。 主要研究內(nèi)容如下: 1對蟻群聚類算法的參數(shù)設(shè)置、適應(yīng)度函數(shù)進行了改進,引入了多主體的思想,提出了改進的多主體的螞蟻聚類算法,并對算法的相似度函數(shù)和時間復(fù)雜性進行了分析。在算法中,一個主體螞蟻代表一個數(shù)據(jù)對象,根據(jù)它與鄰域空間中的主體螞蟻的相似度函數(shù)和轉(zhuǎn)換概率函數(shù)來確定下一個移動位置,同時依照聚類規(guī)則集合動態(tài)更新其類號。主體螞蟻的移動使得它與鄰域內(nèi)的對象相互影響、相互作用,僅利用少量的局部鄰域信息,經(jīng)過一定次數(shù)的迭代后就可以較快較好的形成聚類。實驗表明多主體的螞蟻聚類算法具有較快的搜索速度,其聚類結(jié)果明顯優(yōu)于改進的K-Means聚類算法。 2在介紹分析粒子群優(yōu)化算法的基礎(chǔ)上,吸收并借鑒當(dāng)前的研究成果,提出了一種多種群協(xié)同進化的混合粒子群聚類算法。將協(xié)同進化思想引入粒子群聚類算法中。將整個種群分解為多個子種群,各子種群獨立進化,間隔一定迭代次數(shù)后,實施子種群之間的信息交換:將一個子種群中的最好解發(fā)送至相鄰子種群,取代其中適應(yīng)值最差的粒子。算法充分利用了PSO全局尋優(yōu)的優(yōu)點和K-means局部尋優(yōu)的特點,在找到最優(yōu)劃分的同時使得劃分結(jié)果更精確。算法能夠自動確定聚類數(shù)目,且聚類結(jié)果不受初始聚類中心的影響。通過以上的改進提高算法的性能。 3為使聚類算法的結(jié)果更具有實際意義,提出了基于距離對稱性的PSO聚類算法,用于對有對稱性的數(shù)據(jù)集的聚類劃分。在介紹了距離對稱性的相關(guān)概念后,給出了基于距離對稱性的相似度函數(shù),在此基礎(chǔ)上,提出了基于距離對稱性的粒子群聚類算法。最后通過實驗用不同的方法對四組數(shù)據(jù)集分別進行了測試。實驗結(jié)果說明了算法的有效性,充分考慮到了對稱性對聚類結(jié)果的影響,使得聚類結(jié)果更具有實際意義。 本研究的主要創(chuàng)新點歸納如下: 1提出一種多主體的改進的螞蟻聚類算法,并對算法的相似度函數(shù)和算法復(fù)雜度進行了分析。在算法中引入多主體概念,提出了螞蟻聚類的規(guī)則,對相似度函數(shù)的計算公式進行了改進和分析,另外在參數(shù)的選擇和設(shè)置上也做了部分改進。通過該算法不僅可以提高聚類速度,同時會得到較好的聚類劃分結(jié)果。 2提出一種協(xié)同進化的混合粒子群聚類算法。主要是將多種群協(xié)同進化的思想引入粒子群聚類分析中,將PSO算法的隨機搜索策略和K-means方法的局部優(yōu)化能力有效結(jié)合起來。算法能夠自動確定聚類數(shù)目,并且聚類結(jié)果不受初始聚類中心的影響。和其它算法相比,算法收斂速度有所提高,在聚類精度上也有很大的改善。 3提出了基于距離對稱性的粒子群聚類算法。該算法引入了距離對稱性和基于距離對稱性的適應(yīng)度函數(shù),能夠發(fā)現(xiàn)傳統(tǒng)聚類算法難以發(fā)現(xiàn)的一些特殊形狀的聚類。特別是在對具有對稱點的數(shù)據(jù)集進行聚類時,會使得聚類結(jié)果更具有實際意義。
【圖文】：

圖 1.1 自然界中展現(xiàn)的群體智能模型前，對群體智能的研究分為理論研究和應(yīng)用研究，其中應(yīng)用研究取得果，理論研究仍處于初級階段，但是它正在成為越來越多的研究人員點。994 年，Millionas 在其文獻中指出，群體智能的發(fā)揮應(yīng)該遵循下面的幾則[25-27]：近鄰原則、品質(zhì)原則、反應(yīng)多樣性、穩(wěn)定性和適應(yīng)性原則。，群體中的鄰近個體之間可以進行簡單的信息交流和傳遞；個體之間影響的品質(zhì)因素；個體在群體活動中的行動范圍要盡可能的具有多樣性發(fā)生改變時，能及時調(diào)整自己的行為以適應(yīng)環(huán)境的變化。此，對于群體智能來說，要表現(xiàn)出復(fù)雜的智能行為，，就要求群體中的在相互作用時都遵守上面的五條行為準(zhǔn)則，這樣才能在環(huán)境中表現(xiàn)出應(yīng)性、自主性和反應(yīng)的多樣性。但這些原則并不是要求群體中的每個有復(fù)雜的智能行為，情況正好相反，就好像一只螞蟻并不具有什么智

重點對現(xiàn)有的聚類分析算法進行了分析。類分析的基本概念 聚類定義物理或抽象對象的集合分成由類似的對象組成的多個類的過程被稱為聚類所生成的簇是一組數(shù)據(jù)對象的集合，這些對象與同一個簇中的對似，與其他它簇中的對象相異。俗話說：“物以類聚，人以群分”，學(xué)和社會科學(xué)中，存在著大量的聚類分析問題，通過聚類分析，發(fā)現(xiàn)數(shù)據(jù)屬性或數(shù)據(jù)對象之間的內(nèi)在關(guān)系。聚類分析起源于分類類不等于分類。聚類與分類的不同在于聚類所要求劃分的類是未知的給出了聚類分析的實例。
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2010
【分類號】：TP311.13

【參考文獻】

相關(guān)期刊論文 前10條

1 呂振肅,侯志榮;自適應(yīng)變異的粒子群優(yōu)化算法[J];電子學(xué)報;2004年03期

2 王志剛,楊麗徙,陳根永;基于蟻群算法的配電網(wǎng)網(wǎng)架優(yōu)化規(guī)劃方法[J];電力系統(tǒng)及其自動化學(xué)報;2002年06期

3 高海兵,高亮,周馳,喻道遠(yuǎn);基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究[J];電子學(xué)報;2004年09期

4 高尚;楊靜宇;;一種新的基于粒子群算法的聚類方法[J];南京航空航天大學(xué)學(xué)報;2006年S1期

5 張紀(jì)會,高齊圣,徐心和;自適應(yīng)蟻群算法[J];控制理論與應(yīng)用;2000年01期

6 張建華;江賀;張憲超;;蟻群聚類算法綜述[J];計算機工程與應(yīng)用;2006年16期

7 楊俊杰,周建中,喻菁,吳瑋;基于混沌搜索的粒子群優(yōu)化算法[J];計算機工程與應(yīng)用;2005年16期

8 高鷹,謝勝利;免疫粒子群優(yōu)化算法[J];計算機工程與應(yīng)用;2004年06期

9 丁建立,陳增強,袁著祉;遺傳算法與螞蟻算法的融合[J];計算機研究與發(fā)展;2003年09期

10 竇全勝,周春光,馬銘;粒子群優(yōu)化的兩種改進策略[J];計算機研究與發(fā)展;2005年05期

相關(guān)博士學(xué)位論文 前5條

1 劉君強;海量數(shù)據(jù)挖掘技術(shù)研究[D];浙江大學(xué);2003年

2 王莉;數(shù)據(jù)挖掘中聚類方法的研究[D];天津大學(xué);2004年

3 牛琨;聚類分析中若干關(guān)鍵技術(shù)及其在電信領(lǐng)域的應(yīng)用研究[D];北京郵電大學(xué);2007年

4 張雪萍;基于群集智能的帶約束條件空間聚類分析研究[D];解放軍信息工程大學(xué);2007年

5 馮永;基于計算智能的聚類技術(shù)及其應(yīng)用研究[D];重慶大學(xué);2006年

相關(guān)碩士學(xué)位論文 前2條

1 王偉偉;基于群體智能的關(guān)聯(lián)規(guī)則挖掘及應(yīng)用[D];山東師范大學(xué);2007年

2 何虎翼;聚類算法及其應(yīng)用研究[D];上海交通大學(xué);2007年

本文編號：2573949