本文關(guān)鍵詞：基于改進(jìn)人工蜂群的模糊C均值聚類算法研究

  更多相關(guān)文章： 模糊C均值聚類 人工蜂群算法 差分進(jìn)化算法 變異因子 交叉因子

【摘要】：隨著計算機(jī)技術(shù)的迅速發(fā)展,各類數(shù)據(jù)信息爆炸式的增長。計算機(jī)的計算和存儲能力也在日新月異,如何從繁雜的數(shù)據(jù)中提取有用的信息,以幫助分析和決策,得到越來越多的重視。數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生,而聚類作為數(shù)據(jù)挖掘領(lǐng)域的重要分支,對于大量數(shù)據(jù)的提取分析起著不可替代的作用。隨著數(shù)據(jù)形式的多樣化,數(shù)據(jù)規(guī)模的大型化,對聚類能力的要求也越來越嚴(yán)格。傳統(tǒng)聚類算法對初始點(diǎn)敏感,劃分能力差的缺點(diǎn)越來越滿足不了人們的需求。人工蜂群算法是群智能算法的一種,具有對初始點(diǎn)不敏感、適應(yīng)能力強(qiáng)和搜索能力強(qiáng)等優(yōu)點(diǎn)。而針對人工蜂群算法對單峰問題收斂速度慢、多峰問題容易陷入局部最優(yōu),以及相對單一、隨機(jī)的擾動方式等問題,我們參考了差分進(jìn)化算法中變異和交叉的思想,因?yàn)椴罘诌M(jìn)化算法經(jīng)過多年的研究和發(fā)展,具有尋優(yōu)能力強(qiáng),變異形式多樣的優(yōu)點(diǎn)。通過結(jié)合差分進(jìn)化算法不同的變異方式,讓人工蜂群算法的擾動過程收集更多的有用信息,讓擾動變得更有目的性。不同的變異方式側(cè)重不同的種群中的信息,配合相應(yīng)的控制參數(shù),平衡了算法的局部搜索和全局搜索能力,加快了算法的收斂速度。模糊C均值聚類算法在數(shù)據(jù)挖掘領(lǐng)域有著廣泛的使用背景,而對初始點(diǎn)的敏感性和較差的搜索能力,限制了算法的進(jìn)一步推廣應(yīng)用。將改進(jìn)的人工蜂群算法和模糊C-均值聚類算法結(jié)合得到基于改進(jìn)人工蜂群的模糊C-均值聚類算法,利用群智能算法適應(yīng)能力強(qiáng)、搜索能力強(qiáng)的優(yōu)點(diǎn)很好的彌補(bǔ)了模糊C均值聚類算法的缺點(diǎn),并在多個國際標(biāo)準(zhǔn)數(shù)據(jù)集上的進(jìn)行實(shí)驗(yàn)驗(yàn)證。統(tǒng)計分析實(shí)驗(yàn)結(jié)果,表明此算法在收斂速度、聚類精度以及穩(wěn)定性等多個衡量指標(biāo)上取得了明顯的改進(jìn)。為了進(jìn)一步推廣基于改進(jìn)人工蜂群的模糊C-均值聚類算法,排除參數(shù)對實(shí)驗(yàn)結(jié)果的不確定性影響,我們進(jìn)行了大量的實(shí)驗(yàn),通過實(shí)驗(yàn)總結(jié)了算法中兩個重要的控制參數(shù)的變化規(guī)律。其中變異因子F的取值增大,會導(dǎo)致種群的多樣性增加,算法早熟風(fēng)險降低,穩(wěn)定性增加,但是算法的收斂速度會有一定的下降。交叉因子CR取值的增大,收斂速度加快,降低了聚類的迭代次數(shù)。但CR的取值不能一味的增大,因?yàn)镃R的取值超過一定的閾值后,會使算法接近于隨機(jī)搜索,收斂速度不升反降。再者CR的取值需要根據(jù)實(shí)際數(shù)據(jù)集的情況確定,CR值過大,會導(dǎo)致局部搜索能力不夠,對于復(fù)雜聚類情況,容易丟失全局最優(yōu)解,導(dǎo)致聚類穩(wěn)定性降低。
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18;TP311.13

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 馮志丹;姜洪雨;;數(shù)據(jù)挖掘技術(shù)在高職院校人事檔案管理中的應(yīng)用[J];現(xiàn)代企業(yè)教育;2014年14期

2 喻金平;鄭杰;梅宏標(biāo);;基于改進(jìn)人工蜂群算法的K均值聚類算法[J];計算機(jī)應(yīng)用;2014年04期

3 王棟;;數(shù)據(jù)挖掘研究綜述[J];數(shù)字技術(shù)與應(yīng)用;2014年02期

4 黃衛(wèi)春;劉建林;熊李艷;;基于樣本-特征加權(quán)的可能性模糊核聚類算法[J];計算機(jī)工程與科學(xué);2014年01期

5 畢曉君;宮汝江;;一種結(jié)合人工蜂群和K-均值的混合聚類算法[J];計算機(jī)應(yīng)用研究;2012年06期

6 蔡靜穎;謝福鼎;張永;;基于馬氏距離特征加權(quán)的模糊聚類新算法[J];計算機(jī)工程與應(yīng)用;2012年05期

7 孫茜;武坤;;一種改進(jìn)的可能性聚類算法及其有效性指標(biāo)[J];計算機(jī)工程與科學(xué);2009年08期

8 雷志明;;基于分層聚類的FCM算法[J];科技信息;2008年35期

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

10 宋曉峰;亢金龍;王宏;;進(jìn)化算法的發(fā)展與應(yīng)用[J];現(xiàn)代電子技術(shù);2006年20期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

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

2 朱林;基于特征加權(quán)與特征選擇的數(shù)據(jù)挖掘算法研究[D];上海交通大學(xué);2013年

3 李寧;粒子群優(yōu)化算法的理論分析與應(yīng)用研究[D];華中科技大學(xué);2006年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 張丹丹;面向數(shù)據(jù)流挖掘的分類和聚類算法研究[D];北京交通大學(xué);2014年

2 古家聲;數(shù)據(jù)挖掘技術(shù)在壽險客戶分析中的應(yīng)用[D];華南理工大學(xué);2012年

3 梁慧;混沌粒子群優(yōu)化算法的分析與應(yīng)用[D];廣東工業(yè)大學(xué);2011年

4 郗洋;基于云計算的并行聚類算法研究[D];南京郵電大學(xué);2011年

5 胡帥;多蟻群算法在化學(xué)模式分類器優(yōu)化設(shè)計中的應(yīng)用[D];浙江大學(xué);2008年

，

本文編號：1229198