基于改进人工蜂群算法的聚类研究

发布时间：2017-05-28 02:02

  本文关键词：基于改进人工蜂群算法的聚类研究，，由笔耕文化传播整理发布。

【摘要】：近年来,计算机、网络的迅猛发展及市场竞争的激烈程度不断的加剧,带来了客户关系管理问题中聚类求解效率的更大挑战。由于其简单、比其它的启发式仿生算法更为有效且鲁棒性强的特点,人工蜂群算法已受到了国内外学者的关注,并成功的应用在工程方面。人工蜂群算法已被大量实践证明能够快速有效进行求解,但是人工蜂群算法的设计过于依赖问题特点,设计一种能够自动基于问题特点对算法设计进行推荐的机制可以解决传统算法设计方式的低效性和重复性问题,实现问题驱动下的算法快速设计。本文在对问题和算法进行一般化抽象的基础上,建立了有效提高聚类效率的改进人工蜂群算法。本文研究工作和创新点主要包括： (1)建立聚类分析算法的一般描述模型 通过对客户关系问题的对象及其属性进行分析,整理出该问题聚类性的属性特点,并在此基础上基于本体理论建立了客户关系问题的聚类描述模型。 (2)提出改进蜂群算法 围绕蜂群算法的原理、特点、改进及其应用等方面进行全面综述,重点针对复杂环境的蜂群算法研究内容以及算法的多种改进形式,并对将来的研究方向进行了分析。为了提高开发探索能力,将全局最优解整合到搜索过程中,提出了一种改进的人工蜂群算法。改进人工蜂群算法有效的提高了蜂群算法的性能。与对比算法相比,改进的人工蜂群算法具有更高的收敛精度,并且收敛速度更快。 (3)建立混合算法求解框架 基于应用客户关系聚类分析和蜂群算法引擎,构建了问题-策略知识库。并建立了基于概率的蜂群算子选择机制,通过记录每类问题的算子选择历史绩效,不断迭代分化不同算子组合的选择概率,最终实现对算子的推荐策略。在该机制的建立过程中,设计了两种生成初始算子池的方法,一种是基于蜂群算法设计规则全集的方法,另一种则是以基于均匀聚类设计的方法得到的算子设计规则样本为初始算子池。改进人工蜂群算法能调节全局寻优能力与局部寻优能力的优点与K-均值算法收敛速度快的优点相结合,来提高算法的鲁棒性。通过大量的实验分析,该算法不仅克服了传统K-均值聚类算法稳定性差的缺点,而且聚类效果也有了明显改善,同时也证明了这两种方法的合理性和有效性。 (4)框架的实例化和方法研究 根据优化求解策略和改进蜂群算法,对客户关系管理问题进行实例化。通过对该问题分类的定量化描述和对聚类算法推荐方法的研究,实例化了求解这类问题的算子框架。实验证明了该混合算法的可行性和合理性。
【关键词】：群集智能 聚类分析 改进蜂群算法 客户关系管理 混合蜂群算法
【学位授予单位】：大连海事大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP18
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第1章 绪论11-22
• 1.1 课题背景及研究意义11-13
• 1.2 国内外研究现状13-19
• 1.2.1 国内外数据挖掘研究现状和发展趋势13-15
• 1.2.2 国内外聚类分析算法研究现状15-16
• 1.2.3 人工蜂群算法研究现状16-19
• 1.3 论文的研究内容和研究思路19-22
• 1.3.1 研究内容19-20
• 1.3.2 研究思路20-22
• 第2章 聚类算法22-34
• 2.1 聚类算法22-29
• 2.1.1 聚类算法基本知识22-23
• 2.1.2 聚类分析算法23-27
• 2.1.3 聚类算法的一般步骤27-28
• 2.1.4 聚类的评价标准28-29
• 2.2 K-Means聚类算法29-33
• 2.2.1 K-Means聚类算法基本描述29
• 2.2.2 K-means聚类算法步骤29-31
• 2.2.3 K-均值聚类算法的优缺点及改进方式31-33
• 2.3 本章小结33-34
• 第3章 改进人工蜂群K-means算法34-57
• 3.1 人工蜂群算法34-37
• 3.1.1 蜂群行为描述34
• 3.1.2 人工蜂群算法基本描述34-37
• 3.2 改进人工蜂群算法37
• 3.3 改进人工蜂群K-means算法37-40
• 3.4 改进人工蜂群算法性能测试与分析40-56
• 3.4.1 实验测试集40-41
• 3.4.2 改进蜂群算法与标准蜂群算法、遗传算法以及进化算法比较41-49
• 3.4.3 MABC同IABC、DE及PSO算法比较49-52
• 3.4.4 MABC同GABC、EABC及ABC算法比较52-53
• 3.4.5 测试limit值对蜂群算法性能的影响53-55
• 3.4.6 结论55-56
• 3.5 本章小结56-57
• 第4章 改进人工蜂群K-means算法在客户关系管理应用57-71
• 4.1 客户关系管理基本行业背景57-59
• 4.2 客户关系管理技术59-63
• 4.2.1 CRM中的数据挖掘技术59-62
• 4.2.2 面临的问题62-63
• 4.3 改进人工蜂群K-means算法客户聚类应用63-66
• 4.3.1 客户聚类63-64
• 4.3.2 客户聚类基本描述64-65
• 4.3.3 客户聚类模型建立65-66
• 4.4 实验与分析66-70
• 4.5 本章小结70-71
• 第5章 结论与展望71-73
• 5.1 总结71-72
• 5.2 展望72-73
• 参考文献73-78
• 攻读学位期间公开发表论文78-79
• 致谢79

【参考文献】

中国期刊全文数据库 前1条

1 孙吉贵;刘杰;赵连宇;;聚类算法研究[J];软件学报;2008年01期

  本文关键词：基于改进人工蜂群算法的聚类研究，由笔耕文化传播整理发布。

本文编号：401634