針對K-means算法易受初始聚類中心影響而陷入局部最優(yōu)的問題,提出一種基于螢火蟲智能優(yōu)化和混沌理論的FCMM算法。利用最大最小距離算法確定聚類類別值K和初始聚類中心位置,以各聚類中心為基準點,利用Tent映射構(gòu)建混沌空間,通過混沌搜索更新聚類中心,以降低初始聚類中心過于臨近的影響,并改善算法易陷入局部最優(yōu)的問題。仿真結(jié)果表明,FCMM算法的平均聚類精度相較于經(jīng)典K-means算法和FA算法分別提高了7. 51%和2. 2%,成功避免算法陷入局部最優(yōu)解,提高了劃分初始數(shù)據(jù)集的效率和尋優(yōu)精度。 

【文章來源】：計算機應用研究. 2019,36(07)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

不同舅法的聚類效果對比

d)計算vk的熒光亮度值F(vk)，并與局部最優(yōu)解的熒光亮度值F(xk)比較，保留最好的解。e)若搜索次數(shù)達到Cmax，停止搜索;否則，轉(zhuǎn)向b)。2.3FCMM算法基本步驟a)初始化參數(shù):聚類對象總數(shù)N，吸收系數(shù)γ，步長因子α，混沌搜索的最大迭代次數(shù)Cmax，最大熒光亮度I，最大吸引度β0。b)通過最大最小距離算法確定聚類中心數(shù)K，記錄最大最小距離算法獲得的初始聚類中心位置。c)依次通過Tent映射構(gòu)建以各個聚類中心為基準點的混沌搜索空間。d)利用Tent混沌搜索更新初始聚類中心的位置，直到聚類中心不再變化。e)將聚類中心對應于目標螢火蟲，賦予最高熒光亮度。計算剩余的樣本點相對于各聚類中心的歐氏距離，并按照式(3)賦予不同的熒光亮度。f)如果Ii＞Ij，表示螢火蟲j比i的目標函數(shù)值小，即j比i的位置好，螢火蟲j將吸引i向它移動，移動方式由式(4)決定，并通過式(5)更新螢火蟲位置。g)重復步驟f)，直到所有螢火蟲都被劃分到所屬的聚類中心。h)輸出結(jié)果。3實驗結(jié)果與分析3.1實驗環(huán)境為了驗證算法的有效性，本文進行了三組實驗。實驗1通過對比不同算法的聚類效果圖，驗證本文算法聚類中心選取的有效性;實驗2通過UCI數(shù)據(jù)集測試不同聚類算法的聚類精度和收斂速度，驗證本文算法收斂速度較快、聚類精度有一定提高;實驗3將本文算法與基于自適應步長的螢火蟲劃分聚類算法和加權(quán)的歐氏距離對K-means改進算法(以下簡稱文獻［9］算法)的聚類效果進行對比分析。實驗的運行環(huán)境為Windows7操作系統(tǒng)，4GB物理內(nèi)存，CPU頻率

【參考文獻】：
期刊論文
[1]K-Means算法改進及基于Spark計算模型的實現(xiàn)[J]. 徐鵬程,王誠.  南京郵電大學學報(自然科學版). 2017(04)
[2]基于螢火蟲優(yōu)化的加權(quán)K-means算法[J]. 陳小雪,尉永清,任敏,孟媛媛.  計算機應用研究. 2018(02)
[3]基于自適應步長的螢火蟲劃分聚類算法[J]. 潘曉英,陳雪靜,李昂儒,趙普.  計算機應用研究. 2017(12)
[4]基于自適應權(quán)重的RFCM聚類算法[J]. 張強,王紅衛(wèi),陳游,王文哲.  微電子學與計算機. 2016(12)
[5]基于最優(yōu)類中心擾動的螢火蟲聚類算法[J]. 趙杰,雷秀娟,吳振強.  計算機工程與科學. 2015(02)
[6]自適應Tent混沌搜索的人工蜂群算法[J]. 匡芳君,徐蔚鴻,金忠.  控制理論與應用. 2014(11)
[7]基于特征關(guān)聯(lián)度的K-means初始聚類中心優(yōu)化算法[J]. 陳興蜀,吳小松,王文賢,王海舟.  四川大學學報(工程科學版). 2015(01)
[8]基于改進K-means聚類算法的室內(nèi)WLAN定位研究[J]. 陳望,賈振紅,覃錫忠,曹傳玲,常春.  激光雜志. 2014(07)
[9]新的小生境螢火蟲劃分聚類算法[J]. 王沖,雷秀娟.  計算機工程. 2014(05)
[10]基于Tent映射的混沌優(yōu)化算法[J]. 單梁,強浩,李軍,王執(zhí)銓.  控制與決策. 2005(02)

碩士論文
[1]群智能優(yōu)化算法在聚類分析中的應用研究[D]. 趙杰.陜西師范大學 2015



本文編號：3065230