人工魚(yú)群和k-means相結(jié)合的聚類(lèi)算法研究與分布式實(shí)現(xiàn).pdf

1、k-means算法是一種典型的基于距離的聚類(lèi)算法，簡(jiǎn)單、時(shí)間復(fù)雜度近似于線性使得其較適合大規(guī)模數(shù)據(jù)集的挖掘。k-means算法以誤差平方和作為準(zhǔn)則函數(shù)，每一次迭代均是朝著函數(shù)值減小的方向進(jìn)行。因此也可以把k-means聚類(lèi)歸為優(yōu)化問(wèn)題。群體智能優(yōu)化算法是一種新興的演化計(jì)算技術(shù)，它利用群體優(yōu)勢(shì)、分布搜索，能夠在不了解全局模型情況下快速獲得優(yōu)化問(wèn)題最優(yōu)解?；诜律袨榈娜斯~(yú)群算法即為一種有代表性的優(yōu)化算法。該算法通過(guò)構(gòu)造人工魚(yú)來(lái)模仿魚(yú)群的

2、覓食、聚群及追尾行為從而實(shí)現(xiàn)尋優(yōu)。收斂速度快、不需要嚴(yán)格的問(wèn)題模型等是該算法的主要優(yōu)點(diǎn)。
　　針對(duì)人工魚(yú)群算法中魚(yú)群數(shù)目多計(jì)算量大，固定的最大步長(zhǎng)在尋優(yōu)后期影響收斂速度和尋優(yōu)精度等問(wèn)題，論文提出淘汰機(jī)制與自適應(yīng)的最大步長(zhǎng)策略。淘汰機(jī)制基于適應(yīng)度函數(shù)，通過(guò)一定量的次數(shù)，淘汰適應(yīng)度小的人工魚(yú)，減少人工魚(yú)個(gè)體數(shù)目，降低計(jì)算量；自適應(yīng)的最大步長(zhǎng)策略是指在尋優(yōu)初期，獲取大步長(zhǎng)加快收斂速度，在尋優(yōu)后期獲取小步長(zhǎng)提高尋優(yōu)精度。
　　論文將

3、人工魚(yú)群算法與k-means算法相結(jié)合，用于大規(guī)模的數(shù)據(jù)挖掘。目的是利用人工魚(yú)群算法的全局最優(yōu)性解決k-means算法對(duì)初始中心敏感，容易陷入局部最優(yōu)問(wèn)題。所做的主要工作包括：設(shè)計(jì)了包含聚類(lèi)數(shù)目及聚類(lèi)中心的編碼，即用一條人工魚(yú)代表選擇的一種初始聚類(lèi)中心，這樣可以增大找到全局最優(yōu)聚類(lèi)中心的概率；把k-means聚類(lèi)中心引入人工魚(yú)適應(yīng)度函數(shù)，使人工魚(yú)在尋優(yōu)過(guò)程中自動(dòng)地確定近似全局最優(yōu)的初始聚類(lèi)中心。將近似全局最優(yōu)的初始聚類(lèi)中心作為k-mea