基于精英集的多目标差分进化聚类算法*
2021-02-03张明珠
计算机工程与科学 2021年1期
关键词:优化
张明珠,曹 杰,王 斌
(南京财经大学信息工程学院,江苏 南京 210023)
1 引言
聚类技术是数据挖掘中的一种重要工具并被广泛应用在诸如信息检索、文本挖掘、图像处理和数据分析等领域[1 - 5]。作为一种无监督的学习问题,聚类将未被标记过的数据基于相似性或差异性划分成多个小组,使得同一小组内的对象尽可能相似,不同组间的对象尽可能相异[6]。一些聚类问题根据用户经验或领域知识可提前知道要划分成多少类,但实际情况中很难获取准确的聚类数。高估或低估聚类数都会损害聚类结果的质量,因此识别最佳聚类数是聚类分析中一个基本的问题。
对不知道聚类数的聚类问题,一种直接的思路是试错法(Trial-and-error)。首先获得每一种可能的聚类数的聚类结果,再按某种评价标准从众多结果中挑选一个最合适的聚类解[7],并且不同选择标准获得的最佳聚类数可能不同。为了获得多个不同聚类数的聚类结果,很多方法重复运行某个聚类算法,每次固定一个不同的聚类数[8]。这类方法简单易实施,但需多次运行,尤其当数据集较大或聚类数很多时,效率十分低下。如何更高效地获得不同聚类数的聚类结果同时保证每种聚类结果的质量,考虑到在同时优化具有多个相互矛盾或冲突的目标的问题时,不同于单目标优化问题只能获得一个最优解,基于种群的多目标进化算法可以得到一个包含多个近似最优解的解集。因此,本文尝试用多目标进化算法来同时得到多个不同聚类数的划分结果。……
登录APP查看全文
