许竣玮，徐蔚鸿

长沙理工大学计算机与通信工程学院，长沙 410114

基于扰动免疫粒子群和K均值的混合聚类算法

许竣玮，徐蔚鸿

长沙理工大学计算机与通信工程学院，长沙 410114

1 引言

聚类是信息处理和数据挖掘领域的重要技术之一，人们对它的关注度已经越来越高。K均值聚类算法在数据识别方面有着重要的作用，该方法是选取距离来作为相似性度量，然后确定评价聚类结果质量的准则函数，最后采用迭代的方法找出使准则函数达到极值的最优聚类结果。该方法由于简单、高效而且需要设置和调整的参数少等优点被应用到了很多领域。但是该方法存在对初始化的依赖性较高、在多峰函数中容易过早收敛等问题，因此，算法有时候会出现陷入局部最优解的现象。

为解决这类问题，学者们对这一领域做了大量的研究，文献[1-3]将遗传算法等优化技术用来解决陷入局部极值的问题，但是实验表明，当聚类规模较大时，这些算法容易出现早熟收敛的现象。和遗传算法相比，粒子群算法（PSO）具有较强的全局搜索能力，通过调整参数，PSO的局部搜索能力也可以得到提高，适合编程处理。文献[4]提出的免疫接种粒子群的聚类算法在粒子的迭代过程中加入了免疫算子，但是该算法中的疫苗是全局最优解，因此疫苗的多样性不高，从而影响了整个种群的多样性。文献[5]提出的改进的粒子群和K均值混合算法中的随机变异操作导致粒子变异不具备优化特性，而且单个粒子变异搜索的空间非常有限，找到全局最优解的概率较小。……