基于進化規(guī)劃的聚類算法研究.pdf

1、隨著互聯(lián)網等現(xiàn)代信息技術的飛速發(fā)展，人們必須面對海量的信息，如何對這些信息進行整理、分類和挖掘成為人們日益關心的話題。聚類分析技術作為一種信息處理手段近些年來一直受到人們的關注，而且在機器學習、模式識別，數(shù)據挖掘、信息檢索等很多領域得到了廣泛的研究和應用。 聚類算法主要分為基于劃分的聚類算法和基于層次的聚類算法，基于劃分的聚類算法是數(shù)據挖掘中最常用的算法，K均值算法和模糊C均值聚類算法(FCM)作為兩種重要的劃分算法在實際中廣為

2、應用。但它們都存在三個缺點：類中心個數(shù)需要用戶預先指定；容易收斂到局部極小值或鞍點；聚類結果受初始類中心影響較大。 為了解決這幾個缺點，本文提出了基于進化規(guī)劃的K均值算法(KEP)和基于進化規(guī)劃的FCM算法(EPFCM)兩個算法。 利用進化規(guī)劃的全局優(yōu)化能力，KEP算法避免了K均值算法易陷入局部極值和受初始類中心影響大兩個缺陷。實驗表明，與K均值算法相比，KEP具有的顯著的聚類效果；與基于遺傳算法的K均值算法(KGA)相

3、比，KEP具有更快的速度和更優(yōu)的聚類效果。 在EPFCM算法中，借助聚類有效性指標對聚類結果的評價和進化規(guī)劃算法的全局優(yōu)化能力，用戶無需預先指定類中心的個數(shù)，算法可以搜索到最佳的類中心個數(shù)及其對應的最佳聚類結構。 為了加快算法的收斂過程，我們在進化規(guī)劃的迭代過程中加入了FCM算法的迭代步驟，為了能找到最佳的類中心個數(shù)，我們采用Modify算法動態(tài)改變類中心個數(shù)。 實驗表明，EPFCM算法可以有效地得到最佳的類中心