李瑞珠 刘锡鹏

摘要：针对不同的数据特点，已有多种用于算法优化的聚类评价指标被提出。大量数据测试发现，仅使用单一评价指标无法可靠地体现数据的聚类划分优劣，传统的单一指标聚类优化算法在聚类准确度上还有待提高。一种新型的多指标投票评价策略被提出，并应用于粒子群聚类优化算法中。多指标投票评价的设计思路是依靠过半数的评价指标对解的优劣进行判定，从而避免单一指标的错误评价影响优化算法中的群体更新。经多份数据测试，与单指标评价的聚类算法进行对比，多指标评价粒子群聚类优化算法获得更优的聚类结果。

关键词：多指标投票;粒子群算法;聚类优化;单指标;指标评价

中图分类号：TP301.6      文献标识码：A

文章编号：1009-3044（2021）13-0184-04

Abstract： For different data characteristics， a variety of clustering evaluation indicators for algorithm optimization have been proposed. A large number of data tests have found that only a single evaluation index cannot reliably reflect the pros and cons of data clustering. The traditional single index clustering optimization algorithm needs to be improved in clustering accuracy. A new multi-index voting evaluation strategy is proposed and applied to the particle swarm optimization algorithm. The design idea of multi-index voting evaluation is to rely on more than half of the evaluation indexes to judge the pros and cons of the solution， so as to avoid the wrong evaluation of a single index from affecting the group update in the optimization algorithm. After multiple data tests， compared with the single-index evaluation clustering algorithm， the multi-index evaluation particle swarm optimization algorithm obtains better clustering results.

Key words： multi-index voting; PSO; clustering optimization; single index; index evaluation

1 背景

聚類分析提供由个别数据对象到数据对象所指派到簇的抽象。而目前已有的算法面对日前趋于多样化的数据集，仍然存在可提高的空间。

基于粒子群优化（Particle Swarm Optimization， PSO）的聚类算法已在UCI标准数据集iris与wine上做了测试，并与K-means算法、粒子群 K-means算法进行对比[1]，对比结果仍可优化。尔后，一种自适应惯性权重函数对粒子群算法进行动态调整的设计被提出，并融入K-means算法，帮助初始化聚类中心，应用于电子病历聚类分析，提高了聚类准确率和效率[2]。

Omran等人[3]提出了一种基于粒子群优化的无指导图像分类算法。这是最早提出的基于粒子群的聚类算法的应用，之后的粒子群聚类算法大都遵循其基本思想。……