郭 婧,耿海军,吴 勇

(1.晋中职业技术学院 电子信息系,山西 晋中 030600;2.山西大学 自动化与软件学院,山西 太原 030013)

伴随着物联网技术的发展,互联网应用正朝着精细化的方向发展。通过对连入网络的数据进行深入挖掘分析,可以获得潜在价值数据,为互联网创新应用提供技术支持。但是万物互联的发展必然引起互联网数据的规模化增长,从海量数据中获取价值数据的难度提升,数据挖掘的方法显得尤为重要[1]。聚类作为数据挖掘算法的一种,能够通过抽象方法将多维数据特征进行有效计算,分析数据之间的相似属性和差异特性[2],从而将海量的看似无关无序的数据进行有效归类,为数据的多样化应用提供了有效保证。

数据聚类挖掘有2个方面的特点:一方面是待聚类的数据量大,对聚类算法的效率有一定要求;另一方面是待聚类的数据维度高,聚类运算复杂度高。因此数据聚类挖掘算法应着重解决这2个方面的问题。基于K均值(K-means)聚类的数据挖掘在处理多维数据样本时存在聚类精度低的缺点,这是因为传统K均值聚类存在局部寻优陷阱和全局寻优不理想的问题。当前,研究人员尝试使用群体智能算法来解决上述问题。刘云恒[3]对云计算环境的数据挖掘算法展开了研究,主要研究了多种群体智能算法在数据挖掘中的适用性,分析了不同智能算法在数据挖掘中的优劣,并阐述了群体智能算法在数据挖掘中的应用价值。Karimi等人[4]分析了遗传算法在数据挖掘中的应用情况,通过聚类分析有效解决了云计算环境的服务质量(Quality of services,QoS)问题。……