【摘要】：已有的聚類算法大多僅考慮單一的目標(biāo),導(dǎo)致對某些形狀的數(shù)據(jù)集性能較弱,為此提出一種基于改進(jìn)粒子群優(yōu)化的無標(biāo)記數(shù)據(jù)魯棒聚類算法。優(yōu)化階段:首先采用多目標(biāo)粒子群優(yōu)化的經(jīng)典形式生成聚類解集合;然后使用K-means算法生成隨機分布的初始化種群,并為其分配隨機初始化的速度;最終,采用maximin策略確定帕累托最優(yōu)解。決策階段:測量帕累托解集與理想解的距離,將距離最短的帕累托解作為最終聚類解。對比實驗結(jié)果表明,本算法對不同形狀的數(shù)據(jù)集均可獲得較優(yōu)的類簇數(shù)量,對目標(biāo)問題的復(fù)雜度具有較好的魯棒性。
[Abstract]:Most of the existing clustering algorithms only consider a single goal, which leads to the weak performance of some shapes of data sets. Therefore, a robust clustering algorithm based on improved particle swarm optimization for unmarked data is proposed. In the optimization stage, the cluster solution set is generated by the classical form of multi-objective particle swarm optimization, then the randomly distributed initialization population is generated by K-means algorithm, and the speed of random initialization is assigned to it. Finally, the Pareto optimal solution is determined by maximin strategy. In the decision stage, the distance between the Pareto solution set and the ideal solution is measured, and the Pareto solution with the shortest distance is taken as the final clustering solution. The experimental results show that the algorithm can obtain better cluster number for different shape datasets and has better robustness to the complexity of the target problem.
【作者單位】： 新鄉(xiāng)學(xué)院計算機與信息工程學(xué)院;河南大學(xué)計算機與信息工程學(xué)院;
【基金】：河南省高等學(xué)校青年骨干教師培養(yǎng)計劃資助項目(2013GGJS-222) 河南省科技廳資助項目(152400410345);河南省科技廳科技攻關(guān)項目(172102210445) 河南省教育廳資助項目(15A520093)
【分類號】：TP18;TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 羅賢鋒;祝勝林;陳澤健;袁玉強;;基于K-Medoids聚類的改進(jìn)KNN文本分類算法[J];計算機工程與設(shè)計;2014年11期

2 楊志;羅可;;一種改進(jìn)的基于粒子群的聚類算法[J];計算機應(yīng)用研究;2014年09期

3 楊燕;王全根;黃波;;蟻群聚類算法的并行化設(shè)計與實現(xiàn)[J];控制工程;2013年03期

4 張震;汪斌強;伊鵬;蘭巨龍;;一種分層組合的半監(jiān)督近鄰傳播聚類算法[J];電子與信息學(xué)報;2013年03期

5 馮汝偉;謝強;丁秋林;;基于文本聚類與分布式Lucene的知識檢索[J];計算機應(yīng)用;2013年01期

6 王縱虎;劉志鏡;陳東輝;;兩階段混合粒子群優(yōu)化聚類[J];西南交通大學(xué)學(xué)報;2012年06期

7 古平;劉海波;羅志恒;;一種基于多重聚類的離群點檢測算法[J];計算機應(yīng)用研究;2013年03期

8 陳小全;張繼紅;;基于改進(jìn)粒子群算法的聚類算法[J];計算機研究與發(fā)展;2012年S1期

9 馮琳;毛志忠;袁平;;基于Maximin的動態(tài)種群多目標(biāo)粒子群算法[J];東北大學(xué)學(xué)報(自然科學(xué)版);2010年07期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王曉東;滿揚;李海洋;;基于擾動因子的準(zhǔn)則函數(shù)下的聚類算法[J];紡織高校基礎(chǔ)科學(xué)學(xué)報;2017年01期

2 鄭曉霞;趙青杉;陳文杰;;基于改進(jìn)K-means算法的彩色超聲圖像分割[J];忻州師范學(xué)院學(xué)報;2017年02期

3 劉文婧;王建國;呂達(dá);;增加算子擾動項的粒子群優(yōu)化算法研究[J];機械設(shè)計與制造;2017年04期

4 張連強;王東風(fēng);;基于改進(jìn)人群搜索算法的PID參數(shù)優(yōu)化[J];計算機工程與設(shè)計;2016年12期

5 戴月明;趙莉莉;;優(yōu)化的人工魚群和FCM的混合聚類算法[J];計算機應(yīng)用與軟件;2016年12期

6 朱學(xué)鋒;;基于最優(yōu)模糊系統(tǒng)的非線性校準(zhǔn)數(shù)據(jù)計算方法[J];電子測量技術(shù);2016年12期

7 白栩嘉;蘇敏杰;;基于改進(jìn)PSO-PP模型的區(qū)域水資源利用效率評價[J];人民長江;2016年23期

8 于蘋蘋;倪建成;姚彬修;李淋淋;曹博;;基于Spark框架的高效KNN中文文本分類算法[J];計算機應(yīng)用;2016年12期

9 單亞峰;張勝強;劉汀;宋鴿;;基于ACC優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的諧波檢測方案[J];控制工程;2016年11期

10 李少波;孟偉;璩晶磊;;基于密度的異常數(shù)據(jù)檢測算法GSWCLOF[J];計算機工程與應(yīng)用;2016年19期

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張雪萍;龔康莉;趙廣才;;基于MapReduce的K-Medoids并行算法[J];計算機應(yīng)用;2013年04期

2 吳健;崔志明;時玉杰;盛勝利;龔聲蓉;;基于局部密度構(gòu)造相似矩陣的譜聚類算法[J];通信學(xué)報;2013年03期

3 茍和平;景永霞;馮百明;李勇;;基于DBSCAN聚類的改進(jìn)KNN文本分類算法[J];科學(xué)技術(shù)與工程;2013年01期

4 奉國和;吳敬學(xué);;KNN分類算法改進(jìn)研究進(jìn)展[J];圖書情報工作;2012年21期

5 姚麗娟;羅可;;基于粒子群的粗糙核聚類算法[J];計算機應(yīng)用研究;2012年08期

6 王縱虎;劉志鏡;陳東輝;;一種改進(jìn)的粒子群優(yōu)化快速聚類算法[J];西安電子科技大學(xué)學(xué)報;2012年05期

7 劉海峰;姚澤清;蘇展;張學(xué)仁;;文本分類中基于K-means的類偏斜KNN樣本剪裁[J];微電子學(xué)與計算機;2012年05期

8 宗瑜;金萍;陳恩紅;李紅;劉仁金;;面向Weblog的模糊協(xié)同聚類算法[J];電子與信息學(xué)報;2012年03期

9 李宇泊;李秦;;對k均值算法和硬C-均值算法的對比分析[J];洛陽理工學(xué)院學(xué)報(自然科學(xué)版);2012年01期

10 熊忠陽;陳若田;張玉芳;;一種有效的K-means聚類中心初始化方法[J];計算機應(yīng)用研究;2011年11期

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蒙正中;;一種改進(jìn)的混合粒子群優(yōu)化算法[J];桂林工學(xué)院學(xué)報;2009年03期

2 吳昌友;王福林;馬力;;一種新的改進(jìn)粒子群優(yōu)化算法[J];控制工程;2010年03期

3 周馳,高海兵,高亮,章萬國;粒子群優(yōu)化算法[J];計算機應(yīng)用研究;2003年12期

4 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

5 張榮沂;一種新的集群優(yōu)化方法——粒子群優(yōu)化算法[J];黑龍江工程學(xué)院學(xué)報;2004年04期

6 高鷹;謝勝利;;混沌粒子群優(yōu)化算法[J];計算機科學(xué);2004年08期

7 劉釗,康立山,蔣良孝,楊林權(quán);用粒子群優(yōu)化改進(jìn)算法求解混合整數(shù)非線性規(guī)劃問題[J];小型微型計算機系統(tǒng);2005年06期

8 戴冬雪,王祁,阮永順,王曉超;基于混沌思想的粒子群優(yōu)化算法及其應(yīng)用[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2005年10期

9 竇全勝;周春光;馬銘;劉全;;群核進(jìn)化粒子群優(yōu)化方法[J];計算機科學(xué);2005年08期

10 范娜;云慶夏;;粒子群優(yōu)化算法及其應(yīng)用[J];信息技術(shù);2006年01期

相關(guān)會議論文 前10條

1 張妍;張曉光;王永鋼;;幾種改進(jìn)型的粒子群優(yōu)化算法[A];第一屆中國高校通信類院系學(xué)術(shù)研討會論文集[C];2007年

2 孫紅光;潘毓學(xué);;基于運動目標(biāo)路徑的粒子群優(yōu)化算法研究[A];第二屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2004年

3 韓毅;唐加福;郭偉宏;劉陽;;混合粒子群優(yōu)化算法求解多層批量問題(英文)[A];中國運籌學(xué)會第八屆學(xué)術(shù)交流會論文集[C];2006年

4 金一粟;梁逸曾;;空間自適應(yīng)粒子群優(yōu)化算法的應(yīng)用研究[A];第九屆全國計算（機）化學(xué)學(xué)術(shù)會議論文摘要集[C];2007年

5 汪榮貴;李守毅;孫見青;;一種新的自適應(yīng)粒子群優(yōu)化算法及應(yīng)用[A];計算機技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

6 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測算法[A];中國自動化學(xué)會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

8 徐俊杰;忻展紅;;基于增強型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2004年

9 王亞;于永光;耿玲玲;;一類改進(jìn)的自適應(yīng)粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學(xué)大會——2013論文摘要集[C];2013年

10 崔靜;鄧方;方浩;;基于改進(jìn)粒子群優(yōu)化算法的彈道求解方法[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第三分冊）[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 劉昊;多樣性增強的粒子群優(yōu)化算法及其應(yīng)用研究[D];北京理工大學(xué);2015年

2 姜毅;動態(tài)環(huán)境下粒子群優(yōu)化算法的研究[D];武漢大學(xué);2013年

3 Shafiullah Khan;粒子群優(yōu)化算法及其在電磁設(shè)計中的應(yīng)用[D];浙江大學(xué);2017年

4 劉華鎣;粒子群優(yōu)化算法的改進(jìn)研究及在石油工程中的應(yīng)用[D];東北石油大學(xué);2012年

5 劉波;粒子群優(yōu)化算法及其在機電設(shè)備中的應(yīng)用研究[D];中北大學(xué);2011年

6 熊勇;粒子群優(yōu)化算法的行為分析與應(yīng)用實例[D];浙江大學(xué);2005年

7 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用研究[D];重慶大學(xué);2007年

8 閆允一;粒子群優(yōu)化及其在圖像處理中的應(yīng)用研究[D];西安電子科技大學(xué);2008年

9 余炳輝;粒子群優(yōu)化算法試驗研究及擴(kuò)展[D];華中科技大學(xué);2007年

10 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用[D];重慶大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 陳卓;粒子群優(yōu)化算法的改進(jìn)及在油藏數(shù)值模擬中的應(yīng)用[D];北京建筑大學(xué);2015年

2 白云;基于粒子群優(yōu)化算法的復(fù)雜網(wǎng)絡(luò)社區(qū)挖掘[D];西北農(nóng)林科技大學(xué);2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡(luò)態(tài)勢預(yù)測模型研究[D];蘭州大學(xué);2015年

4 孟亞州;基于粒子群優(yōu)化OTSU的肺組織分割算法研究[D];寧夏大學(xué);2015年

5 鄭博;基于快速排序的多目標(biāo)粒子群優(yōu)化算法的研究及應(yīng)用[D];鄭州大學(xué);2015年

6 米永強;非線性規(guī)劃問題的混合粒子群優(yōu)化算法研究[D];寧夏大學(xué);2015年

7 李建美;基于自適應(yīng)變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學(xué);2015年

8 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學(xué);2015年

9 牛旭;動態(tài)粒子群優(yōu)化算法及其應(yīng)用[D];西安電子科技大學(xué);2014年

10 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學(xué);2014年

，

本文編號：2528769