基于蜂群和粗糙集的聚類算法研究.pdf

1、數(shù)據(jù)的爆炸式增長使我們進(jìn)入了真正的數(shù)據(jù)與信息時代。如何從海量數(shù)據(jù)中獲取潛在有用的信息，引導(dǎo)人們做出正確的決策，這就離不開數(shù)據(jù)挖掘。聚類則以其特有的優(yōu)點，成為數(shù)據(jù)挖掘領(lǐng)域中的一個活躍的研究課題。但聚類算法也存在一些缺點，研究如何進(jìn)一步改進(jìn)聚類算法的不足，來解決社會實踐中遇到的難點，具有非常重要的意義。
　　本文主要以傳統(tǒng)的聚類算法為基礎(chǔ)，探討了聚類算法存在的不足，然后研究了蜂群算法、粗糙集以及粒計算的理論知識，最后結(jié)合改進(jìn)的蜂群、粗

2、糙集和粒計算改進(jìn)傳統(tǒng)聚類算法存在的不足。主要工作如下:
　　(1)針對傳統(tǒng)K-means聚類算法初始聚類中心隨機(jī)選取、不能處理邊界對象、效率低等問題，本文引入了粒計算和粗糙集相關(guān)理論，提出了一種基于粒計算和最大最小距離的初始化方法，并利用粗糙集有效處理了邊界數(shù)據(jù)的聚類問題，最后采用均衡化準(zhǔn)則函數(shù)來得到更好的聚類效果。實驗結(jié)果表明:該算法準(zhǔn)確率較高，迭代次數(shù)較少。
　　(2)針對傳統(tǒng)K-mediods聚類算法初始聚類中心選擇較

3、敏感、全局搜索能力較差、不穩(wěn)定等缺點，提出了一種基于改進(jìn)的人工蜂群的K-mediods聚類算法。該算法首先改進(jìn)了傳統(tǒng)蜂群算法初始蜂群和搜索步長隨機(jī)選取的缺點，然后將改進(jìn)的人工蜂群進(jìn)一步優(yōu)化K-mediods，以提高聚類算法的性能。實驗結(jié)果表明:該算法降低了對初始聚類中心的敏感度、具有較高準(zhǔn)確率和較強(qiáng)的穩(wěn)定性。
　　(3)為了改進(jìn)K-means聚類算法存在的局部收斂、穩(wěn)定性差等問題，本文提出了一種基于變異精密搜索的蜂群聚類算法。該算

4、法利用密度和距離初始化蜂群，并根據(jù)引領(lǐng)蜂的適應(yīng)度和密度求解跟隨蜂的選擇概率，再通過變異精密搜索法產(chǎn)生的新解來更新偵查蜂，以避免陷入局部最優(yōu)，最后結(jié)合蜂群與粗糙集來優(yōu)化K-means。實驗結(jié)果表明，該算法不僅能有效抑制局部收斂，而且準(zhǔn)確率和穩(wěn)定性均有較大的提高。
　　(4)利用蜜蜂交配優(yōu)化算法思想，提出了一種蜜蜂交配優(yōu)化聚類算法。該算法依據(jù)密度和距離初始化蜂群，并將粗糙集聚類算法作為工蜂的一種編碼，以提高算法的局部搜索能力，最后在迭