基于改进粒子群Kmeans聚类算法.docVIP

基于改进粒子群Kmeans聚类算法 　　摘要：针对传统的k-means算法处理离散型数据的不足以及选取初始聚类中心的随机性等缺点，提出了一种基于改进的粒子群优化k-means算法，根据文中提供的优化算法寻找初始聚类中心后，在阀值范围内进行数据样本间的迭代更新，直至聚类中心稳定。经过实验结果验证分析表明，经过改进的粒子群优化k-means算法与传统的k-means算法相比，更具有良好的聚类收敛效果，聚类效果也相对稳定。 　　关键词：k-means；改进粒子群算法；聚类 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）06-1238-04 　　Improved K-means Clustering Algorithm Based on Particle Swarm Optimization 　　WU Di-dan 　　（Nanjing College of Information Technology， Nanjing 210023， China） 　　Abstract： Random defects in the traditional K-means algorithm to process the discrete data insufficiency as well as the selection of initial clustering center， put forward an improved particle swarm optimization based on K-means algorithm， to find the initial cluster center according to the optimization algorithm is provided in this paper， are updated iteratively between data samples in the threshold range， until the clustering center. Through the experimental results verify the analysis shows that， by K-means algorithm， the improved particle swarm optimization k-means algorithm compared with the traditional clustering， has a good convergence effect， cluster effect is also relatively stable. 　　Key words： K-means； improved particle swarm algorithm； clustering 　　聚类起源于分类学，在原始的分类中，人们大都根据积累以往的知识、经验把信息进行分类。随着信息技术的快速发展和人们对分类信息所提的要求的越来越高，根据以往的经验和知识难以满足目前日益增长的各种分类需求，这就需要我们把数学工具和多元分析引入到分类学当中来，随之产生了目前的多种聚类分析方法，如模糊聚类法、系统聚类法、动态聚类法、图论聚类法、聚类预报法、序样品聚类法等。聚类分析的算法可以分为划分法、层次法、基于密度的方法、基于网格的方法、基于模型的方法[1]。目前聚类分析算法已经广泛的应用于税务、教育、商业、计算机科学、人工智能、数据挖掘、人工神经网络等多个不同的应用领域[2]。 　　1 k-means聚类算法 　　随着科学技术的日新月异的发展，人们对k-means算法的研究也日益深入，许多的学者也做不少研究、探索、改进，如文献[3]提出一种基于密度敏感相似性度量来确定聚类中心， 文献[4-7]根据聚类样本密度来初始化聚类中心，文献[8]提出了K-means的谱算法，文献[9]提出了一种基于影响因子的K-means算法。 　　k-means算法也称为k-均值算法，是一种基于划分法的聚类算法，同时也是一种应用十分广泛的聚类算法。它将聚类数据集内的所有数据样本的均值作为该聚类的中心点，该算法的主要流程是通过迭代过程把数据集划分为不同的种类，从而使评价聚类性能的准则函数达到最优，这样就使生成的每个聚类内数据样本紧凑，各个类之间相互独立。这种划分方法开始时将所有的对象都分配至暂定的K集群，然后随机选取数据集中心后，形成聚类中心点，寻找远离中心的数据点，把每个数据点都分配到与之最为接近的聚类中心点，把每个聚类样本中的数据均值作为新的聚类中心，继续选择新的聚类中心和更新迭代直至聚类中心不再变化为止， K-means算法具体描述如下：