APP下载

一种新的粒子群优化聚类算法

2016-06-16张俊溪杨海粟西安航空学院车辆工程系西安70077西安电子工程研究所西安7000

微处理机 2016年2期
关键词:优化

张俊溪,杨海粟(.西安航空学院车辆工程系,西安 70077;.西安电子工程研究所,西安 7000)



一种新的粒子群优化聚类算法

张俊溪1,杨海粟2
(1.西安航空学院车辆工程系,西安710077;2.西安电子工程研究所,西安710100)

摘 要:K-means算法在聚类分析中有着广泛应用。它采用了均值中心这一启发式信息,具有计算效率高的优点,但对初始聚类中心选择敏感,且容易陷入局部最优。PSO算法的随机性和并行性特点使其在处理数据库形式的海量数据中表现出更大的优越性,不仅具有较强的全局搜索能力,同时,通过对PSO算法搜索过程的改进增强了算法在最优解附近的搜索概率,降低样本对初始化敏感的程度,可以弥补K-means算法的缺陷。将改进的PSO算法应用于K-means聚类算法可以提高算法的稳定性和收敛效率,通过四组标准UCI数据集的试验,验证了新算法的有效性。

关键词:K-平均算法;粒子群优化算法;聚类中心;稳定性;搜索;收敛;敏感

1 引 言

聚类分析是数据挖掘的一个重要分支,是一种重要的非监督学习方法。聚类是按照事物空间、时间或属性等特点将其划分成多个类别的过程,并要求类间的相似性最小,类内的相似性最大[1]。目前聚类分析的方法较多,根据不同聚类方法将其划分为7种类别:基于划分的聚类、基于层次的聚类、基于密度的聚类、基于网格的聚类、基于模型的聚类、字符属性联合聚类和神经网络聚类等[2]。其中基于划分聚类中的K-means算法是应用最为广泛的算法,该算法以样本中任意位置为初始中心,以样本到聚类中心的平均距离之和作为适应度函数,具有模型简单、计算效率高的优点。……

登录APP查看全文

猜你喜欢

优化
超限高层建筑结构设计与优化思考
PEMFC流道的多目标优化
民用建筑防烟排烟设计优化探讨
关于优化消防安全告知承诺的一些思考
一道优化题的几何解法
由“形”启“数”优化运算——以2021年解析几何高考题为例
围绕“地、业、人”优化产业扶贫
事业单位中固定资产会计处理的优化
4K HDR性能大幅度优化 JVC DLA-X8 18 BC
几种常见的负载均衡算法的优化