遗传模拟退火算法在k-means聚类中应用.doc

遗传模拟退火算法在k-means聚类中应用摘要：针对传统的k-means算法执行的结果过度依赖与初始聚类中心的选择，容易陷入局部最优解，全局搜索能力不强等缺点，该文提出将遗传算法（GA）与模拟退火算法（SA）相结合的混合遗传算法，此方法比传统的遗传算法具有更好的全局收敛性，避免了早熟的问题。将此算法应用到k-means聚类领域中，可以有效的克服k-means算法的缺陷，同时优化聚类的结果。实验表明该方法是一种高效精确的聚类方法。 关键词：K-means算法；聚类；遗传模拟退火算法；混合遗传算法 中图分类号：TP18文献标识码：A文章编号：1009-3044(2012)07-1611-03 Research of K-means Clustering Method Based on Genetic Simulated Annealing Algorithm ZHANG Ji-qiang, GAO Yu-liang (Dalian Jiaotong University,Software college, Dalian 116028, China) Abstract: As K-means Clustering Algorithm is excessively depend on the choice of the initial cluster centers, it leads to be involved in locally optimal solution and does not have comprehensive ability to search. We propose a method based on Genetic algorithms and Simulated annealing called Genetic Simulated annealing algorithm. The new method has better Global convergence compared with Genetic algorithms. It also overcomes the aspect of premature convergence problem. So we can apply this algorithms to the K-means Clustering Method so as to overcome defect of K-means Clustering Method and optimize the result of clustering . Experiments indicated that this algorithm is efficient and accurate. Key words: hbrid genetic algorithm;Simulated annealing;K-means;text clustering 文本聚类是自然语言处理中一项十分重要的技术，聚类的算法多种多样，其中k-means算法是一种比较常用的算法，该算法简单有效，收敛速度快且局部搜索能力强。但是k-means算法也有难以克服的缺陷，如算法执行的结果过度依赖与初始聚类中心的选择，容易陷入局部最优解，全局搜索能力不强等。为了避免k-means算法对初始聚类中心的依赖，容易陷入局部最优解的问题，很多学者对此进行了大量的研究，文献[1-2]中戴文华先生提出了一种基于遗传算法的文本聚类技术，受此启发，在此基础上做出更好的改进，本文提出一种基于遗传模拟退火算法的k-means聚类方法，该方法利用遗传算法良好的全局搜索能力和模拟退火算法较强的局部搜索能力，两者结合，取长补短，产生性能更好的遗传模拟退火算法，将这个混合遗传算法运用到k-mean聚类算法中，可以优化聚类的结果，提高聚类的效率，与基于遗传算法的文本聚类相比，本文提出的算法具有更好的性能。 1遗传模拟退火算法 遗传模拟退火算法是将传统的遗传算法和模拟退火算法相结合的一种优化算法[3]。由于遗传算法的局部搜索能力较差，但是把握全局搜索的能力较强，模拟退火算法正好相反，它的局部搜索能力很强，可以使搜索过程避免陷入局部最优解，但是模拟退火算法却对整个搜索空间的状况了解的不是很多，导致全局的搜索能力较弱，很难得到满意的搜索效率。因此将遗传算法与模拟退火算法融合，产生一种混合遗传算法，让这两个不同的算法吸取彼此的优点，弥补自身的不足。则可以产生一种更优良的搜索算法。 本文采取的遗传模拟退火算法通过随机产生初始群体，然后利用模拟退火算法的Boltzmann机制来接受交叉和变异后的个体。这里对变异