一种改进的人工鱼群聚类算法
2014-01-05李小培张洪伟邹书蓉
成都信息工程大学学报 2014年5期
李小培,张洪伟,邹书蓉
(成都信息工程学院计算机学院,四川成都610225)
0 引言
数据挖掘中的聚类是将数据样本按照最近邻原则划分到不同的类簇中,并达到相同簇中数据对象相似度最大,不同簇中数据对象相似度最小的目的[1]。由此,可以迅速发现数据对象之间的种种关系,从而方便研究和处理。虽然聚类分析算法因为待聚类的数据样本的属性类型和聚类目的而有差异,但是通常可归结为以下几类[2]:基于网格的方法、基于密度的方法、划分方法、层次方法、基于智能的方法等[3-7]。传统的聚类算法虽然各有所长,都能处理适合自身算法的特定问题,不可否认的是仍然有许多不足之处。比如说对数据样本中的噪声数据和孤立点处理能力较弱,随着数据样本集的不断增长导致算法执行效率降低,样本集的输入次序影响聚类结果等。随着社会不断进步,智能技术快速发展,它能够处理高维高复杂性数据、对初始样本集不敏感、收敛速度快且正确率高,越来越多的人尝试着用智能算法解决聚类问题[8]。
李晓磊[9]2002年首次提出基于智能思想的人工鱼群算法。算法的基本思想是:一片水域中食物浓度最高的地方也是鱼类生存数目最多的地方。根据这一特点构造人工鱼的4种基本行为:随机行为、觅食行为、聚群行为和追尾行为。通过人工鱼的个体寻优达到凸显整个鱼群最优解的目的。该算法的主要特点有对初始值的设定不敏感、能够处理高维高复杂性问题、寻找最优解的速度快等。……
登录APP查看全文
