基于多类合并的PSO-means聚类算法①.PDFVIP

计 算 机 系 统 应 用 2014 年 第 23 卷 第 2 期 ① 基于多类合并的PSO-means 聚类算法 林有城, 符 强, 谢文斌, 史马杰, 童 楠 (宁波大学科技学院, 宁波 315212) 摘 要: 针对传统 K-means 算法中对初始化聚类中心敏感, 容易陷入局部极小值等缺点, 提出了一种基于粒子群 算法和多类合并方法的新型 K-means 聚类算法. 该算法首先利用改进粒子群算法选取初始聚类中心, 然后利用 K-means 算法进行优化聚类, 最后根据多类合并条件进行聚类合并, 以获取最佳聚类结果. 实验结果证明, 该算 法能有效解决传统 K-means 算法存在的缺陷, 具有更快的收敛速度及更好的全局搜索能力, 聚类划分效果更优. 关键词: 粒子群算法; 多类合并; K-means 算法; 适应度方差 K-means Optimization Clustering Algorithm Based on Particle Swarm Optimization and Multi-Groups Merging LIN You-Cheng, FU Qiang, XIE Wen-Bin, SHI Ma-Jie, TONG Nan (College of Science and Technology, Ningbo University, Ningbo 315212, China) Abstract: To deal with the problem of the sensitivity of initialization and premature convergence, this paper proposes a novel K-means optimization clustering algorithm based on particle swarm optimization and multi-groups merging, namely M-PSO-Means. Firstly the algorithm selects the initial cluster center by improving particle swarms clustering algorithm under default number of clustering, then optimizes the clustering, and last carries out cluster merging based on multi-groups merging condition to obtain the best clustering results. The experimental results show that, the algorithm can effectively solve the defects of K-means algorithm, and has a faster convergence rate and better global search ability, as well as better cluster category effect. Key words: particle swarm optimization(PSO); multi-groups merging; K-means algorithm; fitness variance 传统 K-means 算法具有结构简单及收敛速度快等 好的聚类性能. 上述改进算法的聚类结果都得到了一 优点, 在数据挖掘、图像分割、模式识别等诸多领域 定的提高, 但由于未能有效解决K-means 算法中利用欧 得到了广泛应用. 然而在实际使用中, K-means 算法也 式距离进行聚类的局限性, 因此对复杂数据集的聚类 存在对初始值敏感, 易陷入局部最优等问