一种mapreduce架构下基于遗传算法的k-medoids聚类-云计算论坛.pdfVIP

一种mapreduce架构下基于遗传算法的k-medoids聚类-云计算论坛.pdf

  1. 1、本文档共5页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
一种mapreduce架构下基于遗传算法的k-medoids聚类-云计算论坛

第 44 卷第3 期 计算机科学 Vo1. 44 NO.3 COMPUTER SCIENCE 岛1ar.2017 2017 年 3 月 一种 MapReduce 架构下基于遗传算法的 K-Medoids 聚类 赖向阳宫秀军韩来明 (天津大学计算机科学与技术学院 天津 300072) (天津市认知计算与应用重点实验室 天津 300072) 摘 要 由互联网时代快速发展而产生的海量数据给传统聚类方法带来了巨大挑战,如何改进聚类算法从而获取有 效信息成为当前的研究热点。 K-Medoids 是一种常见的基于划分的聚类算法,其优点是可以有效处理孤立、噪声点, 但面临着初始中心敏感、容易陷入局部最优值、处理大数据时的 CPU 和内存瓶颈等问题。为解决上述问题,提出了一 种 MapReduce 架构下基于遗传算法的 K-Medoids 聚类。利用遗传算法的种群进化特点改进K-Medoids 算法的初始 中心敏感的问题,在此基础上,利用 MapReduce 并行遗传 K-Medoids 算法提高算法效率。通过带标签的数据集进行 实验的结果表明,运行在 Hadoop 集群上的基于 MapReduce 和遗传算法的 K-Medoids 算法能有效提高聚类的质量和 效率。 关键词 海量数据,K-Medoids ,MapReduce,遗传算法,聚类效率 中固法分类号 TP30 1. 6 文献标识码 A DOI 10. 11896/j. issn. 1002-137X. 2017. 03. 006 Genetic Algorithm ßased K-Medoids Clustering within MapReduce Framework LAI Xiang-yang GONG Xiu-jun HAN Lai-ming (College of Computer Science and Technology ,Tianjin University ,Tianjin 300072 ,China) (Tianjin Key Laboratory of Cognitive Computing and Application ,Tianjin 300072 ,China) Abstract Huge volumes of data are increasing exponentially with the rapid development of Intemet ,which poses signifi- cant challenges to traditional clustering technologies. Thus ,improving the accuracy and computing performance of clus tering has become a research hotspot. As one of the partition-based clustering algorithms ,K-Medoids can effectively deal with the problems with isolate and noise points. However ,it also suffers from problems such as sensitive to initial centers ,easily falling into local optimum ,CPU and memory bottlenecks with big data sets. We proposed a genetic algo rithm based K-Medoids clusterin

文档评论(0)

zhuwo + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档