本文關鍵詞： 人工蜂群算法 K均值聚類 MPI并行編程 并行計算 大數(shù)據(jù)　出處：《計算機工程與設計》2017年12期 　論文類型：期刊論文

【摘要】：基于傳統(tǒng)編程模型的K均值聚類算法是典型的串行算法,對大數(shù)據(jù)聚類時性能不佳,為獲得令人滿意的大數(shù)據(jù)聚類性能要求,解決K均值聚類算法的固有不足,提出一個基于MPI的蜂群K均值進行并行化聚類的算法。結(jié)合改進的蜂群算法和K均值迭代,使算法的全局尋優(yōu)能力得到提高,降低初始聚類中心對算法聚類質(zhì)量的影響,對該算法做MPI并行化改進,實現(xiàn)基于MPI的蜂群聚類算法并行計算。通過對串行與并行蜂群K均值聚類算法分別進行仿真實驗驗證,得到了并行蜂群K均值聚類算法在效率和性能上更優(yōu)的結(jié)論。
[Abstract]:The K-means clustering algorithm based on traditional programming model is a typical serial algorithm, which has poor performance for big data clustering. In order to obtain satisfactory big data clustering performance requirements, the inherent shortcomings of K-means clustering algorithm are solved. A parallel clustering algorithm based on MPI for colony K-means is proposed, which combines the improved swarm algorithm and K-means iteration to improve the global optimization ability of the algorithm. The effect of the initial clustering center on the clustering quality is reduced, and the algorithm is improved by MPI parallelization. The parallel computing of the cluster algorithm based on MPI is realized. The simulation results of the serial and parallel K-means clustering algorithms are verified by simulation. It is concluded that the parallel K-means clustering algorithm is better in efficiency and performance.
【作者單位】： 廣西經(jīng)濟管理干部學院計算機系;
【基金】：國家社會科學基金項目(15XTQ010) 廣西高�？茖W技術研究基金項目(KY2015YB351) 廣西經(jīng)濟管理干部學院科研啟動費基金項目 國家自然科學基金項目(61364020)
【分類號】：TP18;TP311.13
【正文快照】： 0引言在數(shù)據(jù)挖掘領域里廣泛應用的K-means算法是聚類的經(jīng)典算法。但是它本身有3個固有的缺點:(1)過于依賴初始解,當初始解不同時聚類結(jié)果也可能不同;(2)搜索是用梯度下降法,經(jīng)常極易收斂到局部最優(yōu);(3)聚類對象是大數(shù)據(jù)時,K-means算法無法滿足性能需求。針對K-means的固有不足

【相似文獻】

相關期刊論文 前10條

1 蘇清華;胡中波;;基于差分演化的K-均值聚類算法[J];武漢理工大學學報;2010年01期

2 曹易;張寧;;一種改進的模糊C-均值聚類算法[J];上海理工大學學報;2012年04期

3 王圓妹;;一種改進的K-均值聚類算法的研究[J];長江大學學報(自科版);2006年10期

4 王圓妹;;一種改進的K-均值聚類算法的研究[J];長江大學學報(自科版)理工卷;2006年04期

5 劉韜;蔡淑琴;曹豐文;崔志磊;;基于距離濃度的K-均值聚類算法[J];華中科技大學學報(自然科學版);2007年10期

6 查成東;王長松;鞏憲鋒;周家新;;基于改進K-均值聚類算法的背景提取方法[J];計算機工程與設計;2007年21期

7 王丹丹;李彬;陳武凡;;基于多目標規(guī)劃的模糊C均值聚類算法[J];中國圖象圖形學報;2008年08期

8 俞云霞;王士同;朱嵬鵬;;具有數(shù)據(jù)容錯能力的模糊C均值聚類算法[J];計算機工程與設計;2010年03期

9 李翠霞;譚營軍;;一種新的模糊C均值聚類算法[J];河南大學學報(自然科學版);2011年02期

10 關慶;鄧趙紅;王士同;;改進的模糊C-均值聚類算法[J];計算機工程與應用;2011年10期

相關會議論文 前5條

1 孫廣玲;唐降龍;;一種快速k-均值聚類算法[A];第六屆全國計算機應用聯(lián)合學術會議論文集[C];2002年

2 陳曉山;朱建沖;翁輝;;一種改進的模糊C均值聚類算法及其應用[A];2011年全國電子信息技術與應用學術會議論文集[C];2011年

3 葛繼科;余建橋;張帆;張蕊;;改進的K-均值聚類算法[A];’2004計算機應用技術交流會議論文集[C];2004年

4 劉健莊;謝維信;;一種改進的快速模糊C均值聚類算法[A];中國系統(tǒng)工程學會模糊數(shù)學與模糊系統(tǒng)委員會第五屆年會論文選集[C];1990年

5 羅小剛;彭承琳;劉婷;侯長軍;霍丹群;文利;;基于模糊C均值聚類算法的心臟扭轉(zhuǎn)運動中心室壁輪廓的自動提取[A];中國儀器儀表學會醫(yī)療儀器分會第四次全國會員代表大會暨2009年學術年會論文集[C];2009年

相關碩士學位論文 前10條

1 劉莉莉;K-均值聚類算法的研究與改進[D];曲阜師范大學;2015年

2 王龍強;K均值聚類算法初始聚類中心的選取與改進[D];東北大學;2013年

3 梁鵬;基于Spark的模糊c均值聚類算法研究[D];哈爾濱工業(yè)大學;2015年

4 徐曼舒;基于改進人工蜂群的模糊C均值聚類算法研究[D];安徽大學;2016年

5 古哲德;無線傳感器網(wǎng)絡中面向圖像的模糊C均值聚類算法的研究[D];廣西大學;2016年

6 崔西希;基于中智模糊C-均值聚類算法及其應用研究[D];西安郵電大學;2017年

7 吳曉蓉;K-均值聚類算法初始中心選取相關問題的研究[D];湖南大學;2008年

8 趙爽;改進的模糊C均值聚類算法及其應用[D];東北大學;2010年

9 歐陳委;K-均值聚類算法的研究與改進[D];長沙理工大學;2011年

10 王威娜;改進的模糊C-均值聚類算法[D];大連海事大學;2007年

，

本文編號：1452573