基于并行模糊蚂蚁的聚类算法研究.pdfVIP

基于并行模糊蚂蚁的聚类算法研究1 冯周, 张扬 电子科技大学信息工程系，成都(610054) E-mail: flymonk@, zhangyang@ 摘 要： 本文提出了一种基于并行模糊蚂蚁的数据聚类算法。该算法使用蚂蚁群体优化原理 及基于IF-THEN规则的Mamdani模糊推理系统找到优化的数据分组。 关键词： 聚类, 并行模糊蚂蚁, Mamdani模糊推理 中图分类号：TP18；TP39 1 引言 [1] 聚合是最常见的无监督机器学习形式之一 ，已在很多领域如信息获取(IR) 中得到了应 用。聚合的目的是把一个数据集分解成为多个自我相似的数据分组。在这些分组中，同一个 组的数据点比在其它组中的数据点有更强的相似度。即聚合是创建具有强内聚性、弱耦合性 的簇（cluster ）。在一些常见数据分组算法中，如：模糊C均值(Fuzzy c-Mean, FCM) ，存在一 些缺点。它们需要分组数量等先验知识，同时还对分组中心的初始化值比较敏感，而这些信 息对于新的环境来讲是未知的，这使得这些算法的应用受到了限制。 尽管单个蚂蚁的行为和结构都非常简单，而且一个工蚁只能完成不超过50个动作，但蚁 群却能完成具有相当复杂度的任务[7] 。科学家们通过观察蚂蚁怎么对尸体进行分组及排列幼 虫，进而总结出一些有趣的结论。在蚁群中，工蚁们通过尸体相互之间的相似性从而排列形 多堆尸体。通过在堆中以前尸体相似性信息形成的正反馈，工蚁进而形成越来越大的尸体堆。 即当蚂蚁发现了小堆，他们会倾向于把越来越多的尸体放入堆中。而蚂蚁们也以同样的方式， 通过观察幼虫的大小，进而把幼虫收集起来。不同的、具有相同大小的幼虫会以一定概率被 收集到一起。当蚂蚁发现与它背着的幼虫大小相似的幼虫时，蚂蚁会将背着的幼虫放下；同 时，当蚂蚁没有背负幼虫且发现跟周围幼虫相似度较小的幼虫时，蚂蚁会将“与众不同”的 幼虫背走[2].因为蚁群的这个特点，许多工蚁可以参与聚类的过程。有感于如此有趣的现象， 本文提出一个简单、不需要中心统一控制及不需要关于分组中心等先验信息的聚类算法。正 因为不需要关分组中心的先验知识，因此该算法可以很好的弥补FCM对分组中心等初始化信 息比较敏感这个缺陷。当把多个蚂蚁找到的分组中心作为FCM 的输入，从而使分组更加优化. 因为不同的蚂蚁在爬行的时候，可以没有相互影响，所以比较适合并行执行。 在文献[2] [3] [4] [5] [6]中，已经做了一些关于模糊蚂蚁的工作。在文献[2] [3]中，讨论 了基本的基于模糊蚂蚁聚类算法。在文献[4] [5]中，讨论了一种采用模糊规则控制聚类过程中 人工蚂蚁行为的算法。本文所述算法是在文献[4] [5]的基础上展开讨论的，但它更适合并行执 行，进而可以更好的利用硬件资源。同时，在本文的算法的基础上，采用Java作为Carrot2[8] 1 本课题得到四川省青年软件创新基金资助。 项目名称：U-CLASS 通用电子课件教学管理平台。编号：850 -1- 的组件进行了实现，并优化了[4][5]中的串行算法。在本文的最后，给出了二者的对比测试结 果。 2 串行算法分析 2.1 Mamdani模糊推理 在人类的日常生活中，几乎处处都存在模糊现象或模糊概念。例如：“年轻人”，“高 个子”，“胖子”，“性能良好”等等。这个世界上的现象，或许模糊性是绝对的，而清晰 性和精确性是相对的[9] 。人类和动物的根本区别之一就是拥有思考和处理模糊信息的能力。 即人类能够从真实世界提取抽象的概念而用来解决实际而具体的问题。而建立在经典集合论 基础上的模糊集合理论使用了数字表示模糊语义词汇从而模仿人类处理模糊信息的能力，这 使得它具有广泛应用的能力。 在模糊集合理论中，被讨论的全体对象被称为论域。在给定的论域 U 上的一个模糊集 A