針對經典劃分算法聚類數(shù)K先驗未知及初始聚類中心隨機選取,導致陷入局部最優(yōu)的問題,提出一種基于ACO-PSO自適應的劃分聚類算法。首先根據(jù)聚類算法類內相似度最大差異度最小和類間相似度最小差異度最大的基本原則,將個體輪廓系數(shù)作為最佳聚類數(shù)的檢驗函數(shù),得到聚類算法的自適應K值;其次利用群智能搜索方法思想,有效結合了粒子群算法和蟻群算法的優(yōu)點,先利用具有全局性和快速性的粒子群算法獲得初始信息素分布,再利用具有正反饋性和并行性的蟻群算法得到精確解。最后在多個UCI數(shù)據(jù)集上的仿真結果表明,該算法不僅求解能力優(yōu)于傳統(tǒng)聚類算法及基于個體輪廓系數(shù)優(yōu)化的初始聚類中心算法,而且聚類時間效率大大提高,應用于大數(shù)據(jù)收斂速度更加明顯。 

【文章來源】：計算機技術與發(fā)展. 2019,29(02)

【文章頁數(shù)】：6 頁

【部分圖文】：

三個數(shù)據(jù)集的相鄰輪廓系數(shù)間的變化率4．2初始聚類中心的優(yōu)化

【參考文獻】：
期刊論文
[1]基于改進人工蜂群的核模糊聚類算法[J]. 梁冰,徐華.  計算機應用. 2017(09)
[2]基于改進布谷鳥優(yōu)化的模糊聚類圖像分割[J]. 朱春,李林國,郭劍.  計算機科學. 2017(06)
[3]基于自適應步長的螢火蟲劃分聚類算法[J]. 潘曉英,陳雪靜,李昂儒,趙普.  計算機應用研究. 2017(12)
[4]基于改進粒子群蟻群算法的多目標雙邊匹配問題[J]. 陳睿,趙志剛,張雁茹,李永恒.  計算機工程與設計. 2017(01)
[5]自適應K值的粒子群聚類算法[J]. 白樹仁,陳龍.  計算機工程與應用. 2017(16)
[6]基于Pareto熵的多目標粒子群優(yōu)化算法[J]. 胡旺,Gary G. YEN,張鑫.  軟件學報. 2014(05)
[7]K-均值算法中聚類個數(shù)優(yōu)化問題研究[J]. 韓凌波.  四川理工學院學報(自然科學版). 2012(02)
[8]基于粒子群優(yōu)化的蟻群算法在TSP中的應用[J]. 柴寶杰,劉大為.  計算機仿真. 2009(08)

碩士論文
[1]基于蟻群算法和粒子群算法的Ad Hoc網絡組播路由的研究[D]. 潘鴻雁.燕山大學 2014



本文編號：3486338