一种基于模拟退火的遗传聚类算法.pdfVIP

计算机光盘软件与应用 2012年第5期 ComputerCDSoftwareandApplications 工程技术 一 种基于模拟退火的遗传聚类算法 张婧 (太原理工大学，太原 030024) 摘要 ：针对传统聚类算法中存在的较易陷入局部最优解等问题 ，在传统的K均值算法中引入了遗传算法和模拟 退火算法，将两种算法相结合，通过交叉、变异、模拟退火等操作，实现了聚类分析。通过模拟数据集的实验和UCI 数据集的实验验证了算法的稳定性和获取全局最优解特性。 关键词：聚类；模拟退火；遗传算法 中图分类号：TP18 文献标识码：A 文章编号：1007—9599(2012)05—0071—02 一 、 引言 (7)继续进化；并判断是否满足算法结束条件，如果满 数据挖掘是从海量的数据中获取潜在的有用的知识。其中 足输出最优个体。 聚类分析作为数据挖掘的重要手段，主要思想是把样本数据划 四、实验分析 分为两个或多个类簇。同个类簇之间的样本数据相似度较大， 在matlab环境下编写K均值算法、遗传算法和基于模拟 而类与类之间的相似度较小 。传统的聚类算法主要有基于划 退火的遗传聚类算法。通过模拟数据和 UCI数据集的聚类分 分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、 析，对Lt--种算法的实验结果，来验证算法的可行性、有效性 基于网格的聚类算法和基于模型的聚类算法 。其中较经典的 和稳定性 。 聚类算法为k-means算法，由于其实现简单、容易理解而被广 表4—1实验参数设置 泛应用。同时k-means聚类算法由于其存在容易陷入局部最优 参数 人工数 据 IriS Wine Vehicle 解、对初始聚类 中心敏感、对数据输入顺序敏感等缺点，在非 集 线性 的样本空间上聚类效果较差。因此，广大研究学者对 种群规模 20 50 50 70 k-means算法进行了深入研究，试图克服k-means算法的这些 Pc 0．6-0．9 O．6一O．9 0．6-0．9 0．6-0．9 缺点。其中遗传算法是一种高效全局优化算法、该算法以适应 Pm 0．01-0．2 0．01-0． 0．01一O． 0．01-0．2 度函数为依据，通过对个体施加遗传操作，实现个体一代代地 2 2 优化并逐渐逼近最优解 。模拟退火算法在组合优化、NP难问 其中Pc为个体交叉概率，Pm为个体变异概率。 题中取得了良好的应用，能够提高算法的收敛速度，同时能够 实验 1随机生成一组线性可分的模拟数据DATA1，该组数 跳出局部最优、获得全局最优解 。 据服从正太分布，分别用三种算法对该数据集进行分析来验证 二、遗传聚类算法 算法的可行性。 遗传算法(简称 GA)作为一种 自适应全局优化概率搜索方 表4-2模拟数据DATA1参数设置 法，它最早由美国Michigan大学的Ho—lland教授提出。该 参数 第一类 第二类 第四类 算法具有很好的鲁棒性、随机性、全局性，现 已被人们广泛地 均值 (u) u：O，u=一0 u=5，u=3 u=6， 一 2 应用于以下主要应用领域：自动控制、图像处理、机器学习、 标准差 (o) O=1