隨著大數(shù)據(jù)時(shí)代的來(lái)臨和云計(jì)算技術(shù)的發(fā)展,數(shù)據(jù)爆炸式增長(zhǎng)。面對(duì)如此大量繁雜的數(shù)據(jù),如何從這些海量數(shù)據(jù)中挖掘出有價(jià)值的信息是我們必須解決的問(wèn)題。聚類問(wèn)題作為數(shù)據(jù)挖掘體系中最重要的研究方向之一,其在諸多領(lǐng)域上都有著廣泛的應(yīng)用,選取合理的問(wèn)題模型和方法,可以有效地從海量數(shù)據(jù)中得到所需要的有效信息并加以利用。本文針對(duì)帶容量約束的聚類模型（CCP）進(jìn)行研究,這是一種典型的聚類經(jīng)典定位問(wèn)題。針對(duì)原始的聚類方法依賴初始解、容易陷入局部最優(yōu)的缺點(diǎn),本文提出了改進(jìn)的布谷鳥(niǎo)搜索算法求解問(wèn)題。首先布谷鳥(niǎo)搜索算法（CS）具有較強(qiáng)的全局搜索能力及交互能力,能夠通過(guò)萊維飛行的更新機(jī)制逃離局部最優(yōu)陷阱,提高了種群的多樣性,具有一定的優(yōu)勢(shì)。其次,在此算法基礎(chǔ)上,為了提高CS算法搜索效率,用K-Means確定初始中心,快速產(chǎn)生初始解;同時(shí)利用環(huán)交換鄰域搜索（CT）來(lái)對(duì)解進(jìn)行進(jìn)一步優(yōu)化,在數(shù)據(jù)集中尋找可行負(fù)環(huán),擴(kuò)大解的空間搜索范圍,改進(jìn)了解的質(zhì)量,能夠更加快速地求得問(wèn)題的近似最優(yōu)解。本文采用OR-Library庫(kù)中的數(shù)據(jù)集作為實(shí)例數(shù)據(jù)源進(jìn)行了實(shí)驗(yàn)對(duì)比,運(yùn)用MATLAB語(yǔ)言編寫(xiě)了計(jì)算程序。結(jié)果表明:在實(shí)驗(yàn)所采用的標(biāo)準(zhǔn)數(shù)據(jù)集上... 

【文章來(lái)源】：遼寧科技大學(xué)遼寧省

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

來(lái)自O(shè)sman和Christofides最著名的測(cè)試問(wèn)題20的解決方案

2.聚類問(wèn)題的相關(guān)技術(shù)研究16由此可見(jiàn)，我們還需要提出更好的聚類優(yōu)化算法進(jìn)行求解CCP聚類問(wèn)題，才能更好的提高解的質(zhì)量。K-Means算法的分配圖如圖2.3所示：圖2.3K-Means算法分配圖Fig.2.3K-MeansalgorithmallocationGraph2.6.3K-Means算法的優(yōu)缺點(diǎn)K-Means聚類分析算法在聚類分析中的應(yīng)用程度廣泛，算法易實(shí)現(xiàn)且步驟簡(jiǎn)單，通俗易懂，十分容易使用各大匯編語(yǔ)言進(jìn)行代碼實(shí)現(xiàn)。雖然K-Means聚類模型算法的優(yōu)點(diǎn)非�？捎^，但實(shí)際上也存在著很多的不足，總結(jié)如下：（1）K-Means聚類算法非常易懂簡(jiǎn)單，方便編程；（2）適合于線性聚類值數(shù)據(jù)的聚類[45]；（3）K-means算法對(duì)于處理球形結(jié)構(gòu)存儲(chǔ)的數(shù)據(jù)更好。K-Means算法的缺點(diǎn):（1）算法對(duì)于全局的搜索性較差，結(jié)果不能收斂到所有類別點(diǎn)中的最優(yōu)解；（2）噪聲會(huì)對(duì)K-Means聚類的結(jié)果帶來(lái)影響[46]；（3）不處理高維數(shù)據(jù)集，聚類效應(yīng)更嚴(yán)重；（4）算法的時(shí)間復(fù)雜度不容易被K-Means算法的方法控制，這取決于初始集群中心的選擇，這不是由于初始類中心，它在時(shí)間復(fù)雜度上是高的，很容易導(dǎo)致錯(cuò)誤的結(jié)果聚類；（5）K-Means聚類算法在處理大型數(shù)據(jù)集性能較差[47]；（6）僅能發(fā)現(xiàn)球狀類。

從點(diǎn)（0，0）點(diǎn)起始開(kāi)始標(biāo)記（●），隨即進(jìn)行50次萊維飛行的軌跡

【參考文獻(xiàn)】：
期刊論文
[1]多距離聚類有效性指標(biāo)研究[J]. 劉叢,陳倩倩,陳應(yīng)霞.  小型微型計(jì)算機(jī)系統(tǒng). 2019(10)
[2]K-means算法聚類中心選取[J]. 張朝,郭秀娟,張坤鵬.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2019(04)
[3]基于復(fù)合布谷鳥(niǎo)算法的彩色圖像多閾值分割[J]. 鄧小亞.  計(jì)算機(jī)與數(shù)字工程. 2019(04)
[4]基于CS優(yōu)化神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J]. 胡鴻志,岑德煉,徐翠鋒,滕全進(jìn).  計(jì)算機(jī)工程與設(shè)計(jì). 2019(04)
[5]基于改進(jìn)蟻群算法的聚類分析方法研究[J]. 武書(shū)舟,閆麗娜,張秋艷,申曉留.  計(jì)算機(jī)與數(shù)字工程. 2018(09)
[6]布谷鳥(niǎo)搜索算法在人群疏散中的應(yīng)用研究[J]. 鄭洪清,鄧舒婷,謝聰.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2018(14)
[7]基于人工蜂群優(yōu)化的K均值聚類算法[J]. 廖伍代,朱范炳,王海泉,孫雪凱.  計(jì)算機(jī)測(cè)量與控制. 2018(04)
[8]基于離散布谷鳥(niǎo)算法求解帶時(shí)間窗和同時(shí)取送貨的車輛路徑問(wèn)題[J]. 王超,劉超,穆東,高揚(yáng).  計(jì)算機(jī)集成制造系統(tǒng). 2018(03)
[9]空間密度相似性度量K-means算法[J]. 薛衛(wèi),楊榮麗,趙南,徐煥良,任守綱.  小型微型計(jì)算機(jī)系統(tǒng). 2018(01)
[10]可變網(wǎng)格優(yōu)化的K-means聚類方法[J]. 萬(wàn)靜,張超,何云斌,李松.  小型微型計(jì)算機(jī)系統(tǒng). 2018(01)

碩士論文
[1]人工魚(yú)群K-means算法及其在通信客戶細(xì)分中的應(yīng)用研究[D]. 郭永峰.合肥工業(yè)大學(xué) 2017
[2]數(shù)據(jù)挖掘中聚類算法的并行優(yōu)化研究[D]. 范毅剛.西安電子科技大學(xué) 2015
[3]數(shù)據(jù)挖掘中基于遺傳算法的K-means聚類算法的研究及應(yīng)用[D]. 趙松.浙江工業(yè)大學(xué) 2014



本文編號(hào)：3550400