基于ACO-PSO自适应的划分聚类算法

发布时间：2021-11-10 01:56

　　针对经典划分算法聚类数K先验未知及初始聚类中心随机选取,导致陷入局部最优的问题,提出一种基于ACO-PSO自适应的划分聚类算法。首先根据聚类算法类内相似度最大差异度最小和类间相似度最小差异度最大的基本原则,将个体轮廓系数作为最佳聚类数的检验函数,得到聚类算法的自适应K值;其次利用群智能搜索方法思想,有效结合了粒子群算法和蚁群算法的优点,先利用具有全局性和快速性的粒子群算法获得初始信息素分布,再利用具有正反馈性和并行性的蚁群算法得到精确解。最后在多个UCI数据集上的仿真结果表明,该算法不仅求解能力优于传统聚类算法及基于个体轮廓系数优化的初始聚类中心算法,而且聚类时间效率大大提高,应用于大数据收敛速度更加明显。 

【文章来源】：计算机技术与发展. 2019,29(02)

【文章页数】：6 页

【部分图文】：

三个数据集的相邻轮廓系数间的变化率4．2初始聚类中心的优化

【参考文献】：
期刊论文
[1]基于改进人工蜂群的核模糊聚类算法[J]. 梁冰,徐华.  计算机应用. 2017(09)
[2]基于改进布谷鸟优化的模糊聚类图像分割[J]. 朱春,李林国,郭剑.  计算机科学. 2017(06)
[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]基于改进粒子群蚁群算法的多目标双边匹配问题[J]. 陈睿,赵志刚,张雁茹,李永恒.  计算机工程与设计. 2017(01)
[5]自适应K值的粒子群聚类算法[J]. 白树仁,陈龙.  计算机工程与应用. 2017(16)
[6]基于Pareto熵的多目标粒子群优化算法[J]. 胡旺,Gary G. YEN,张鑫.  软件学报. 2014(05)
[7]K-均值算法中聚类个数优化问题研究[J]. 韩凌波.  四川理工学院学报(自然科学版). 2012(02)
[8]基于粒子群优化的蚁群算法在TSP中的应用[J]. 柴宝杰,刘大为.  计算机仿真. 2009(08)

硕士论文
[1]基于蚁群算法和粒子群算法的Ad Hoc网络组播路由的研究[D]. 潘鸿雁.燕山大学 2014



本文编号：3486338