王宇钢

(辽宁工业大学 机械工程与自动化学院，辽宁 锦州 121000)

0 引言

随着大数据、云计算等技术的迅猛发展，聚类分析已成为数据挖掘的主要研究手段之一。为符合人类的认知，研究员将模糊集理论引入聚类分析中，提出了模糊C均值聚类算法(Fuzzy C-means Clustering Algorithm，FCM)。经典FCM 算法由于是一种局部最优搜索算法，存在对初始聚类中心敏感、易于陷入局部最优解的缺陷，限制了算法的应用[1-2]。因此，学者尝试通过各种智能算法对经典FCM 算法进行改进。粒子群优化算法(Particle Swarm Optimization, PSO)作为群体智能算法的代表，依靠个体之间的简单交互作用在群体内自组织搜索，具有很强的学习能力和适应性[3]。一些学者利用PSO算法克服传统FCM算法的缺陷，将PSO算法与FCM算法融合已成为近年来的研究热点[4]。

文献[5]针对FCM算法用于高维数据样本聚类时效果较差的不足，提出一种基于粒子群的FCM聚类算法。该算法在满足FCM算法对隶属度限制条件的前提下，根据样本与聚类中心间距离重新分布了隶属度，并通过比较样本与各聚类中心距离加速最优粒子收敛。文献[6]对初始聚类中心和模糊加权指数进行粒子编码，通过粒子群优化算法搜索最优的适应度值及模糊加权指数，经人工数据集与UCI数据集实验，证明该方法比传统的FCM算法和粒子群聚类算法的聚类准确性和稳定性都有提高。文献[7]将基于直觉模糊的粒子群算法(IFPSO)和FCM算法混合，利用犹豫度属性参数寻找目标函数与聚类中心的相似性，对高维数据集进行聚类分析取得较好效果。……