基于MPI蜂群K均值聚类算法并行化计算

发布时间：2018-01-21 21:27

本文关键词： 人工蜂群算法 K均值聚类 MPI并行编程并行计算大数据　出处：《计算机工程与设计》2017年12期 　论文类型：期刊论文

【摘要】：基于传统编程模型的K均值聚类算法是典型的串行算法,对大数据聚类时性能不佳,为获得令人满意的大数据聚类性能要求,解决K均值聚类算法的固有不足,提出一个基于MPI的蜂群K均值进行并行化聚类的算法。结合改进的蜂群算法和K均值迭代,使算法的全局寻优能力得到提高,降低初始聚类中心对算法聚类质量的影响,对该算法做MPI并行化改进,实现基于MPI的蜂群聚类算法并行计算。通过对串行与并行蜂群K均值聚类算法分别进行仿真实验验证,得到了并行蜂群K均值聚类算法在效率和性能上更优的结论。
[Abstract]:The K-means clustering algorithm based on traditional programming model is a typical serial algorithm, which has poor performance for big data clustering. In order to obtain satisfactory big data clustering performance requirements, the inherent shortcomings of K-means clustering algorithm are solved. A parallel clustering algorithm based on MPI for colony K-means is proposed, which combines the improved swarm algorithm and K-means iteration to improve the global optimization ability of the algorithm. The effect of the initial clustering center on the clustering quality is reduced, and the algorithm is improved by MPI parallelization. The parallel computing of the cluster algorithm based on MPI is realized. The simulation results of the serial and parallel K-means clustering algorithms are verified by simulation. It is concluded that the parallel K-means clustering algorithm is better in efficiency and performance.
【作者单位】：广西经济管理干部学院计算机系;
【基金】：国家社会科学基金项目(15XTQ010) 广西高校科学技术研究基金项目(KY2015YB351) 广西经济管理干部学院科研启动费基金项目国家自然科学基金项目(61364020)
【分类号】：TP18;TP311.13
【正文快照】： 0引言在数据挖掘领域里广泛应用的K-means算法是聚类的经典算法。但是它本身有3个固有的缺点:(1)过于依赖初始解,当初始解不同时聚类结果也可能不同;(2)搜索是用梯度下降法,经常极易收敛到局部最优;(3)聚类对象是大数据时,K-means算法无法满足性能需求。针对K-means的固有不足

【相似文献】