ABC—KHM混合聚类算法.pdfVIP

州芗院乡 2013年6月 第27卷 第3期 JournalofChizhouUniversity Jun．2013Vo1．27No．3 ABC—KHM混合聚类算法 陆克 中 (池州学院 数学与计算机科学系，安徽 池州 247000) 摘【要】使用调和均值的KHM聚类算法，不像KH聚类算法，具有对初始值不敏感的优点。但它作为一个基于中心聚类算法，难以摆脱早 熟收敛的问题。为了克服KHM算法的不足，本文提出结合ABC和KHM的ABC—KHM混合聚类算法。在混合算法中，聚类行为可以分为两个阶 段：全局搜索的ABC聚类阶段和局部求精的KHM聚类阶段。通过仿真实验，并与KHM聚类算法进行了比较，结果表明：ABC-KHM混合聚类 算法，不仅对聚类初始值不敏感，而且具有较快的聚类速度、良好的全局聚类效果，是一个不错的聚类算法。 关【键词】人工蜂群算法；k-调和均值；聚类 【中图分类号]TP183 文【献标识码】A 文【章编号11674一l104(2013)03—0023—04 聚类是指将物理或抽象对象的集合分组成为 最优的问题，当前人们已引入了很多种方法 ，特别 由类似的对象组成的多个类别，使类别内的数据相 是群智能优化算法近几年得到了广泛应用。并取得 似度较大而类别间的数据相似度较小。聚类是一种 了较好的应用效果 ，如遗传算法、蚁群算法、粒子群 无监督的模式识别 问题 。目前已在商业、生物、地 优化算法等4[1。人工蜂群(artificialbeecolonyABC) 理、电子商务和因特网等领域得到了广泛的应用 ”【。 算法是学者 Karaboga于2005年受蜜蜂采蜜智能 在诸多的聚类方法中，基于中心的划分聚类方 行为的启发而提出的一种群智能优化算法[51。该算 法得到了广泛应用，典型的代表是K一均值算法(K— 法具有控制参数少，容易实现等特点，其性能可与 means，KM)、模糊 C一均值算法 (FuzzyC—Means， 其它群智能算法相媲美，适应于多变量、多峰值函 FCM)和 K一调和均值算法 (K—Harmonicmeans， 数优化 。鉴于ABC算法的良好优化性能，为此本文 KHM)E21。KM聚类算法的优点是简单、快速，但是它 研究了基于ABC算法的KHM聚类算法。同时对算 对初始状态的选择比较敏感 ，且容易限于局部最 法进行了仿真实验分析。仿真结果表明。基于ABC 优。FCM聚类算法是对硬划分的KM聚类算法的一 算法的KHM混合聚类算法，优于单一的KHM聚 种改进 ，扩展了隶属度的取值范围，具有较好的数 类算法。 据表达能力和聚类效果。但它也继承了KM算法固 1 KHM聚类算法 有的缺点。KHM聚类算法利用样本点与所有聚类 中心距离的调和平均代替了KM算法中的样本点 KHM聚类算法是 由Zhang等在 1999年提出。 与聚类 中心距离，从而引入了聚类中心对样本点的 同KM聚类算法类似，也是基于中心的迭代过程， 条件概率和每次迭代过程中样本点的动态加权，实 区别是它采用所有样本点到每个聚类 中心的调和 际上起到了将 “硬 ”聚类 “软化”的作用[31。与KM和 均值的和作为 目标函数。这里设定k为聚类个数。n FCM不同。KHM 的聚类结果对初始状态的选择不 为样本点个数，X={xl，x2,… ，xn}为样本数据集 。C= 太敏感，Zhang等的实验表明，KHM算法的性能优 (cJ，c2，…，l为聚类中心向量，U为隶属度矩阵，W 于KM和FCM算法[21。但是KHM和 KM。FCM聚类 为权重矩阵。KH