一种改进K-means聚类的FCMM算法

发布时间：2021-03-05 12:50

　　针对K-means算法易受初始聚类中心影响而陷入局部最优的问题,提出一种基于萤火虫智能优化和混沌理论的FCMM算法。利用最大最小距离算法确定聚类类别值K和初始聚类中心位置,以各聚类中心为基准点,利用Tent映射构建混沌空间,通过混沌搜索更新聚类中心,以降低初始聚类中心过于临近的影响,并改善算法易陷入局部最优的问题。仿真结果表明,FCMM算法的平均聚类精度相较于经典K-means算法和FA算法分别提高了7. 51%和2. 2%,成功避免算法陷入局部最优解,提高了划分初始数据集的效率和寻优精度。 

【文章来源】：计算机应用研究. 2019,36(07)北大核心

【文章页数】：4 页

【部分图文】：

不同舅法的聚类效果对比

d)计算vk的荧光亮度值F(vk)，并与局部最优解的荧光亮度值F(xk)比较，保留最好的解。e)若搜索次数达到Cmax，停止搜索;否则，转向b)。2.3FCMM算法基本步骤a)初始化参数:聚类对象总数N，吸收系数γ，步长因子α，混沌搜索的最大迭代次数Cmax，最大荧光亮度I，最大吸引度β0。b)通过最大最小距离算法确定聚类中心数K，记录最大最小距离算法获得的初始聚类中心位置。c)依次通过Tent映射构建以各个聚类中心为基准点的混沌搜索空间。d)利用Tent混沌搜索更新初始聚类中心的位置，直到聚类中心不再变化。e)将聚类中心对应于目标萤火虫，赋予最高荧光亮度。计算剩余的样本点相对于各聚类中心的欧氏距离，并按照式(3)赋予不同的荧光亮度。f)如果Ii＞Ij，表示萤火虫j比i的目标函数值小，即j比i的位置好，萤火虫j将吸引i向它移动，移动方式由式(4)决定，并通过式(5)更新萤火虫位置。g)重复步骤f)，直到所有萤火虫都被划分到所属的聚类中心。h)输出结果。3实验结果与分析3.1实验环境为了验证算法的有效性，本文进行了三组实验。实验1通过对比不同算法的聚类效果图，验证本文算法聚类中心选取的有效性;实验2通过UCI数据集测试不同聚类算法的聚类精度和收敛速度，验证本文算法收敛速度较快、聚类精度有一定提高;实验3将本文算法与基于自适应步长的萤火虫划分聚类算法和加权的欧氏距离对K-means改进算法(以下简称文献［9］算法)的聚类效果进行对比分析。实验的运行环境为Windows7操作系统，4GB物理内存，CPU频率

【参考文献】：
期刊论文
[1]K-Means算法改进及基于Spark计算模型的实现[J]. 徐鹏程,王诚.  南京邮电大学学报(自然科学版). 2017(04)
[2]基于萤火虫优化的加权K-means算法[J]. 陈小雪,尉永清,任敏,孟媛媛.  计算机应用研究. 2018(02)
[3]基于自适应步长的萤火虫划分聚类算法[J]. 潘晓英,陈雪静,李昂儒,赵普.  计算机应用研究. 2017(12)
[4]基于自适应权重的RFCM聚类算法[J]. 张强,王红卫,陈游,王文哲.  微电子学与计算机. 2016(12)
[5]基于最优类中心扰动的萤火虫聚类算法[J]. 赵杰,雷秀娟,吴振强.  计算机工程与科学. 2015(02)
[6]自适应Tent混沌搜索的人工蜂群算法[J]. 匡芳君,徐蔚鸿,金忠.  控制理论与应用. 2014(11)
[7]基于特征关联度的K-means初始聚类中心优化算法[J]. 陈兴蜀,吴小松,王文贤,王海舟.  四川大学学报(工程科学版). 2015(01)
[8]基于改进K-means聚类算法的室内WLAN定位研究[J]. 陈望,贾振红,覃锡忠,曹传玲,常春.  激光杂志. 2014(07)
[9]新的小生境萤火虫划分聚类算法[J]. 王冲,雷秀娟.  计算机工程. 2014(05)
[10]基于Tent映射的混沌优化算法[J]. 单梁,强浩,李军,王执铨.  控制与决策. 2005(02)

硕士论文
[1]群智能优化算法在聚类分析中的应用研究[D]. 赵杰.陕西师范大学 2015



本文编号：3065230