基于可變規(guī)模粒子群的聚類分析方法.pdf

1、粒子群算法(Particle Swarm Optimization，PSO)源于鳥群捕食行為的研究，是一種新的群體智能優(yōu)化算法，作為群智能算法的重要分支，在演化計算領域發(fā)揮著舉足輕重的作用。PSO算法一經(jīng)提出，因其自身的優(yōu)良特性，引起學者們的極大的關注，目前已在組合優(yōu)化、神經(jīng)網(wǎng)絡、機器人路徑規(guī)劃等領域獲得了廣泛應用。粒子群算法發(fā)展至今，雖取得大量研究成果，但它自身的缺陷仍值得繼續(xù)研究。
　　近十幾年來，人們利用信息技術生產(chǎn)和搜集數(shù)

2、據(jù)的能力大幅度提高，很多領域都積累了大量的數(shù)據(jù)。為了從數(shù)據(jù)中發(fā)現(xiàn)有價值的知識和規(guī)律，人們結合數(shù)據(jù)庫、統(tǒng)計學及機器學習等技術，提出數(shù)據(jù)挖掘來解決這一難題。聚類分析技術是數(shù)據(jù)挖掘中的重要內(nèi)容和挖掘方法，是各學科研究的重要工具。
　　本論文針對PSO算法多樣性缺失的缺陷，提出改進策略。由于聚類分析中的數(shù)據(jù)分類可以看作是一種分組的策略，原始PSO算法不適應求解此類問題，因此提出另一種改進策略，來使粒子群算法適應聚類分析的要求。并通過對圖像

3、分割的實驗，驗證算法的應用價值。本文的工作內(nèi)容如下：
　　(1)提出了動態(tài)種群規(guī)模的PSO算法。隨機選取一些粒子，利用遺傳算子按照一定的概率生成新個體，以新個體來改善種群的多樣性。由于遺傳算子每次迭代都可能生成一定規(guī)模的新個體，所以種群規(guī)模始終上升。為控制種群規(guī)模，引入疾病算子。當種群規(guī)模超過預先設置好的閾值時，將種群規(guī)模降為初始狀態(tài)。
　　(2)為求解聚類問題，將PSO算法修改為離散化PSO。首先，將粒子編碼為樣本的分類情

4、況，粒子維數(shù)為樣本個數(shù)，粒子的每一維代表當前樣本的所屬的類號；然后，定義粒子之間的距離；最后，修改更新公式，使粒子的每一維類號能夠朝向最優(yōu)解進化。
　　(3)將新算法用來進行圖形分割的實驗，以此來驗證算法的應用價值和算法的有效性。
　　實驗結果證明，動態(tài)種群規(guī)?？梢院芎玫母纳品N群的多樣性，為算法搜索全局最優(yōu)解提供幫助?；谶@動態(tài)種群粒子群算法的聚類分析方法不僅可以得到很好的數(shù)據(jù)集聚類結果，而且將聚類分析問題分割為聚類方法和聚