人工魚群和k-means相結合的聚類算法研究與分布式實現(xiàn).pdf

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

2、覓食、聚群及追尾行為從而實現(xiàn)尋優(yōu)。收斂速度快、不需要嚴格的問題模型等是該算法的主要優(yōu)點。
　　針對人工魚群算法中魚群數(shù)目多計算量大，固定的最大步長在尋優(yōu)后期影響收斂速度和尋優(yōu)精度等問題，論文提出淘汰機制與自適應的最大步長策略。淘汰機制基于適應度函數(shù)，通過一定量的次數(shù)，淘汰適應度小的人工魚，減少人工魚個體數(shù)目，降低計算量；自適應的最大步長策略是指在尋優(yōu)初期，獲取大步長加快收斂速度，在尋優(yōu)后期獲取小步長提高尋優(yōu)精度。
　　論文將

3、人工魚群算法與k-means算法相結合，用于大規(guī)模的數(shù)據挖掘。目的是利用人工魚群算法的全局最優(yōu)性解決k-means算法對初始中心敏感，容易陷入局部最優(yōu)問題。所做的主要工作包括：設計了包含聚類數(shù)目及聚類中心的編碼，即用一條人工魚代表選擇的一種初始聚類中心，這樣可以增大找到全局最優(yōu)聚類中心的概率；把k-means聚類中心引入人工魚適應度函數(shù)，使人工魚在尋優(yōu)過程中自動地確定近似全局最優(yōu)的初始聚類中心。將近似全局最優(yōu)的初始聚類中心作為k-mea