孙 暖，曹小平，刘 军

（重庆科创职业学院 人工智能学院，重庆 永川 402160）

0 概述

聚类分析是数据挖掘的重要手段之一，聚类分析是把相似性大的对象归为一类，同一类之间的相似度比较大，不同类之间的相似度越小越好，也就是说差异性越大越好，聚类技术现在已经广泛应用于生物学、心理学、医学地质学等各种领域。

Affinity Propagation 聚类算法又叫近邻传播算法，简称AP[1]，基本思想是基于因子图的信念传播和最大化算法。它根据N 个数据点之间的相似度进行聚类，这些相似度可以是对称的（即两个数据点互相之间的相似度一样，如欧氏距离），也可以是不对称的（即两个数据点互相之间的相似度不等）。AP 算法不需要事先指定聚类数目，而是将所有的数据点都作为潜在的聚类中心，称之为exemplar。但是AP 聚类对非团状数据集的聚类效果并不好，因此许多专家学者对AP 算法进行了改进。如Li, Peixin，Gu, Wei 等将AP算法应用于光伏电站群建模[2]，提出了一种动态亲和力传播（DAP）聚类算法。然后，根据该算法的动态特性，对光伏集群中的光伏电站进行分组。最后，通过对同一组光伏电站的参数汇总和网络简化等效，得到光伏集群的动态等效模型。Liu, Zhihan[3]等将AP 算法应用于共享单车服务方面，提出了一种通过聚类确定仓库位置的优化方法，利用AP 聚类算法的出租车OD 点，通过分析AP 聚类算法，对基于管理区域分割进行了分层优化，考虑出租车OD 点的稀疏相似度矩阵，对AP 聚类的输入参数进行了调整。Guojun Gan[4]等在AP聚类算法中引入属性权重，提出了一种子空间聚类算法，属性权重的相对大小可用于标识嵌入集群的子空间。……