基于改进人工蜂群的模糊C均值聚类算法研究

发布时间：2017-11-26 08:27

  本文关键词：基于改进人工蜂群的模糊C均值聚类算法研究

  更多相关文章： 模糊C均值聚类 人工蜂群算法 差分进化算法 变异因子 交叉因子

【摘要】：随着计算机技术的迅速发展,各类数据信息爆炸式的增长。计算机的计算和存储能力也在日新月异,如何从繁杂的数据中提取有用的信息,以帮助分析和决策,得到越来越多的重视。数据挖掘技术应运而生,而聚类作为数据挖掘领域的重要分支,对于大量数据的提取分析起着不可替代的作用。随着数据形式的多样化,数据规模的大型化,对聚类能力的要求也越来越严格。传统聚类算法对初始点敏感,划分能力差的缺点越来越满足不了人们的需求。人工蜂群算法是群智能算法的一种,具有对初始点不敏感、适应能力强和搜索能力强等优点。而针对人工蜂群算法对单峰问题收敛速度慢、多峰问题容易陷入局部最优,以及相对单一、随机的扰动方式等问题,我们参考了差分进化算法中变异和交叉的思想,因为差分进化算法经过多年的研究和发展,具有寻优能力强,变异形式多样的优点。通过结合差分进化算法不同的变异方式,让人工蜂群算法的扰动过程收集更多的有用信息,让扰动变得更有目的性。不同的变异方式侧重不同的种群中的信息,配合相应的控制参数,平衡了算法的局部搜索和全局搜索能力,加快了算法的收敛速度。模糊C均值聚类算法在数据挖掘领域有着广泛的使用背景,而对初始点的敏感性和较差的搜索能力,限制了算法的进一步推广应用。将改进的人工蜂群算法和模糊C-均值聚类算法结合得到基于改进人工蜂群的模糊C-均值聚类算法,利用群智能算法适应能力强、搜索能力强的优点很好的弥补了模糊C均值聚类算法的缺点,并在多个国际标准数据集上的进行实验验证。统计分析实验结果,表明此算法在收敛速度、聚类精度以及稳定性等多个衡量指标上取得了明显的改进。为了进一步推广基于改进人工蜂群的模糊C-均值聚类算法,排除参数对实验结果的不确定性影响,我们进行了大量的实验,通过实验总结了算法中两个重要的控制参数的变化规律。其中变异因子F的取值增大,会导致种群的多样性增加,算法早熟风险降低,稳定性增加,但是算法的收敛速度会有一定的下降。交叉因子CR取值的增大,收敛速度加快,降低了聚类的迭代次数。但CR的取值不能一味的增大,因为CR的取值超过一定的阈值后,会使算法接近于随机搜索,收敛速度不升反降。再者CR的取值需要根据实际数据集的情况确定,CR值过大,会导致局部搜索能力不够,对于复杂聚类情况,容易丢失全局最优解,导致聚类稳定性降低。
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TP311.13

【参考文献】

中国期刊全文数据库 前10条

1 冯志丹;姜洪雨;;数据挖掘技术在高职院校人事档案管理中的应用[J];现代企业教育;2014年14期

2 喻金平;郑杰;梅宏标;;基于改进人工蜂群算法的K均值聚类算法[J];计算机应用;2014年04期

3 王栋;;数据挖掘研究综述[J];数字技术与应用;2014年02期

4 黄卫春;刘建林;熊李艳;;基于样本-特征加权的可能性模糊核聚类算法[J];计算机工程与科学;2014年01期

5 毕晓君;宫汝江;;一种结合人工蜂群和K-均值的混合聚类算法[J];计算机应用研究;2012年06期

6 蔡静颖;谢福鼎;张永;;基于马氏距离特征加权的模糊聚类新算法[J];计算机工程与应用;2012年05期

7 孙茜;武坤;;一种改进的可能性聚类算法及其有效性指标[J];计算机工程与科学;2009年08期

8 雷志明;;基于分层聚类的FCM算法[J];科技信息;2008年35期

9 孙吉贵;刘杰;赵连宇;;聚类算法研究[J];软件学报;2008年01期

10 宋晓峰;亢金龙;王宏;;进化算法的发展与应用[J];现代电子技术;2006年20期

中国博士学位论文全文数据库 前3条

1 邱剑锋;人工蜂群算法的改进方法与收敛性理论的研究[D];安徽大学;2014年

2 朱林;基于特征加权与特征选择的数据挖掘算法研究[D];上海交通大学;2013年

3 李宁;粒子群优化算法的理论分析与应用研究[D];华中科技大学;2006年

中国硕士学位论文全文数据库 前5条

1 张丹丹;面向数据流挖掘的分类和聚类算法研究[D];北京交通大学;2014年

2 古家声;数据挖掘技术在寿险客户分析中的应用[D];华南理工大学;2012年

3 梁慧;混沌粒子群优化算法的分析与应用[D];广东工业大学;2011年

4 郗洋;基于云计算的并行聚类算法研究[D];南京邮电大学;2011年

5 胡帅;多蚁群算法在化学模式分类器优化设计中的应用[D];浙江大学;2008年

，

本文编号：1229198