曾令伟, 伍振兴, 杜文才

(1. 琼州学院 电子信息工程学院, 海南 三亚 572022; 2. 海南大学 信息科学技术学院, 海南 海口 570228)



基于改进自监督学习群体智能(ISLCI)的高性能聚类算法

曾令伟1, 伍振兴1, 杜文才2

(1. 琼州学院 电子信息工程学院, 海南 三亚 572022; 2. 海南大学 信息科学技术学院, 海南 海口 570228)

摘要：针对现有数据聚类算法(如K-means)易陷入局部最优和聚类质量不佳的问题，提出一种结合改进自监督学习群体智能(improved self supervised learning collection intelligence，ISLCI)和K均值(K-means)的高性能聚类算法。已有的自监督学习群体智能演化方案具有计算效率和聚类质量高的优点，但当应用于数据聚类时，收敛速度较慢且极易陷入局部最优。为ISLCI加入突变操作，增加其样本多样性来降低早熟的概率,提高最优解的求解质量；计算每个样本的行为方程，获得其行为结果；通过轮盘赌方案来选择群体智能学习的对象和群体中其他样本学习目标对象的属性来提高自己。同时，利用K-means操作提高其收敛速度，提高算法计算效率。对比试验结果表明，本算法具有收敛速度快、聚类质量高、不易陷入局部最优的特点。

关键词：自监督学习群体智能；数据聚类；突变操作；簇内距离；函数评价次数

0引言

将数据集合按照相似性进行分类，相似性高的数据归为一簇，此为数据挖掘中的聚类技术[1]，聚类技术是数据挖掘的核心技术之一。聚类通常分为基于密度聚类[2]、分割聚类[3]、分层聚类[4]等。

已有大量针对数据挖掘聚类的研究，文献[5]提出一种基于图划分的高阶联……