基于不同粒子群算法的模糊C均值聚类算法的比较.doc

基于不同粒子群算法的模糊C均值聚类算法的比较 //.paper.edu - 1 - 基于不同粒子群算法的模糊 C 均值聚类算 法的比较 黄新建* 作者简介：黄新建，（1986-），男，硕士研究生，主要研究方向为粒子群优化算法及其在时间序列聚类中 的应用 （中国矿业大学计算机科学与技术学院，江苏 徐州 221008） 5 摘要：通过聚类方法对数据中的有效信息进行提取已成为研究热点。在粒子以隶属度进行编 码的基础上，本文把五种不同的粒子群优化算法应用于模糊 C均值聚类算法中，详尽地比较 了五种方法的聚类效果。首先介绍了模糊 C均值聚类算法和五种不同的粒子群算法，通过以 隶属度对粒子进行编码将不同的粒子群算法应用于模糊 C 均值聚类算法以解决模糊聚类问 题。最后通过实验比较了各种方法的异同并对结果进行了分析。 10 关键词：聚类；模糊隶属度；模糊 C均值聚类算法；粒子群优化算法 中图分类号：TP301.6 The Comparison of Fuzzy C-Means Based on Different Particle Swarm Optimization Algorithm 15 HUANG Xinjian (School of Computer Science amp; Technology, China University of Mine amp; Technology, JiangSu XuZhou 221008) Abstract: To extract effective information of data by clustering method has become a hotspot. While the particle is encoded by membership, the five different particle swarm optimization 20 algorithms are applied to fuzzy C means clustering algorithm, with the detailed comparison of the five methods of clustering effect given. Firstly, fuzzy C means clustering algorithm and five different particle swarm algorithms are introduced. Then different particle swarm algorithms are applied to fuzzy C means clustering algorithm to solve the fuzzy clustering problem while the particle is encode by membership. Finally, the similarities and differences of various methods are 25 compared by experiments and the results were analyzed. Keywords:clustering; fuzzy membership; fuzzy c means algorithm; particle swarm algorithm 0 引言 模糊 C-means聚类算法[1-2]（FCM）是实际应用中使用较为广泛的基于目标函数的划分30 式聚类方法之一。在 FCM 中，聚类问题被描述为一个带约束的优化问题。但 FCM 存在一 定的缺点，如数据集维数较高时，其聚类效果较差，以至于较难找到全局最优，因此对 FCM 的改进已成为一个研究方向。粒子群优化算法[3]（PSO）通过种群中独立个体间的信息合作 和信息共享来搜索最优解，PSO 是一种基于种群合作方法的进化计算算法。已有众多学者 研究了基于粒子群优化算法的模糊C均值聚类算法[4]。其中，Thomas A. Runkler等在文章 [4]35 中提出了通过隶属度对粒子进行编码，从而实现将粒子群优化算法应用于解决模糊 C 均值 聚类算法，以实现基于粒子群的模糊聚类算法。 在本文中首先使用了原始粒子群算法、标准粒子群算法、带收缩因子的粒子群算法、规 范的粒子群算法和一类改进的粒子群算法[5]等五种不同的粒子群优化算法。随后在以隶属度 对粒子进行编码的基础上，依据文献[4]中方法将五种不同的算法与模糊 C 均值聚