基于禁忌粒子群优化的FCM聚类方法.pdfVIP

第28卷第2期 湖 北 工 业 大 学 学 报 2013年04月 V01．28 No．2 JournalofHubei of UniversityTechnology Apr．2013 [文章编号]1003—4684(2013)02—0045—04 基于禁忌粒子群优化的FCM聚类方法 陈晓霞，廖家平，赵熙临，谌金豆 (湖北工业大学电气与电子工程学院，湖北武汉430068) [摘要]针对模糊C一均值算法(FCM)对初始值敏感的问题，提出禁忌搜索粒子群算法来优化FCM算法初始聚 类中心．该混合算法是以粒子群算法为主体，禁忌算法针对粒子群算法的输出做更新，以避免单一使用粒子群算法 丽陷入局部最优的困境．算法保留了粒子群算法的并行处理能力，同时利用了禁忌搜索算法跳岛局部最优解的特 性，加快了整体算法的收敛速度并提高了聚类的准确率． [关键词]模糊C一均值算法；粒子群算法；禁忌算法 [中图分类号]TP391．4 [文献标识码]：A 模糊C一均值是基于目标函数的无监督动态聚 实现真正意义上的全局寻优．该混合优化算法既保 类方法，通过模糊理论对重要数据分析和建模，建立 留了PSO算法的并行处理能力，同时也充分利用了 了样本属性的不确定性描述，比较客观地反映现实 禁忌搜索算法的局部搜索能力，针对FCM模型全 世界．该算法计算简单，具有比较直观的几何意义， 局最优初始聚类中心的确定及对FCM聚类准确性 成功地应用于模式识别、数据分析等领域．然而基于 有极好的效果． 传统目标函数的FCM，采用迭代的爬山技术寻找最 优解，本质上是一种局部搜索算法，存在一个致命问 1 模糊C一均值算法(FCM) 题：对初始值敏感，容易陷入局部极小值．随着群体 智能方法的发展，将具有全局搜索能力的群智能算 模糊C均值算法是聚类分析中的一种基本划 法和具有局部搜索能力的FCM相结合成为研究热 分方法，常采用误差平方和准则函数作为聚类准则， 点．文献C1]利用遗传算法对初始聚类中心进行优化 它通过优化目标函数得到每个样本点对所有类中心 并执行FCM算法，提高了收敛速度并改善了分类 的隶属度，从而决定样本点的类属以达到自动对数 效果，增强了算法的鲁棒性；文献E2；提出了蚁群算 据样本进行分类的目的．考虑一有限数据集X一 法确定FCM模型初始聚类中心的方法，优化聚类 {z。，z。，…，z。)，是一组有咒个／T／维向量组成的样 效果；文献l-s}提出了利用粒子群算法(PSO)全局寻 本集合．利用FCM聚类算法将它们分为C个子集， 优FCM最优初始聚类中心．这些方法能有效克服 每个子集又可称为类，C为2到n之间的整数．对于 FCM算法固有的缺陷，但同时也带来新的问题．遗 每类，可用两个参数来描述它：一个是用于表示每个 传算法和蚁群算法本身存在大量参数和复杂的操 样本隶属于该类的概率甜¨另一个是该类的中心点 作，计算开销较大，对算法收敛速度有极大影响，特 C 73。．其中乱。女0，：t‘；女=l，1≤是≤71． 别是对大样本数据聚类时，聚类效果的改进不及收 f一0 敛速度影响大，对整体算法没有很大优势．PS0算法 对于FCM算法的整体过程，可用隶属度矩阵 简单，参数少，计算方便，求解快，但有容易早熟导致 U一{‰，1≤i≤C，1≤k≤行)来表示每一样本 陷入局部最优解的问题．粒子群规模的选择和初始 对各类的隶属程度；V一{刁，，u。，…，口。)为所有类聚 粒子的随机性也会影响其优化结果，因此保持粒子 类中心集合．其目标函数采用的是类内加权平方和 的多样性是必要的