基于粒子群优化算法的混合聚类算法研究.pdfVIP

摘要

基于粒子群优化算法的混合聚类算法研究

聚类是一种重要的数据分析技术。研究表明，没有一种聚类算法能在所有的

应用场景中都取得最好的聚类性能。因此，提出和改进不同类型的聚类算法以满

足不同场景的需求是一项有意义的工作。划分方法是一种经典的聚类方法。它简

单高效，目前已经被广泛应用于各个领域。但是，许多划分聚类方法，如K-means、

K-medoids和FuzzyC-means等，仍然存在亟待解决的问题：(1)对初始簇质心的

选取很敏感，不当的初始簇质心可能会导致不理想的聚类结果；(2)目标函数往

往是包含多个局部极值的非凸函数，这将导致最小化目标函数时容易陷入局部最

优；(3)稳定性差。由于聚类任务可以建模为优化问题，采用智能优化算法解决聚

类问题是一种自然的选择。粒子群优化（ParticleSwarmOptimization，PSO）算

法是一种有效的全局寻优算法。它通过模拟自然界中鸟群觅食的过程指导粒子在

复杂数据空间中搜索最优解。近年来，PSO算法被认为是解决聚类问题的有效方

法。但是，基本PSO也有收敛到局部最优的可能性，尤其是在解决复杂问题时。

为了解决上述问题，本文首先对基本PSO进行改进，然后将改进的PSO和

K-means相结合，提出了一种混合聚类算法。本文的主要研究内容和贡献如下：

(1)提出了基于高斯分布估计方法(GaussianDistributionEstimationMethod，

GEDM)和Lévy飞行策略的GLPSO算法。GEDM能利用种群中较好的粒子更好

地估计种群进化方向进而加快收敛速度。Lévy飞行策略能在种群陷入停滞状态

时产生扰动。此外，GLPSO算法还采用边界控制策略以限制粒子的搜索范围和

飞行速度，采用贪心策略从父代粒子和新生成的候选粒子中保留优势粒子。在

CEC2014基准测试函数集上的实验结果表明，本文提出的GLPSO算法比基本

PSO算法和4种先进的PSO变体具有更强的寻优能力。

(2)将GLPSO和K-means结合，充分利用K-means简单高效的优势和GLPSO

强大的全局搜索能力，提出了一种混合聚类算法GLPSOK。在GLPSOK算法中，

初始种群中的少量粒子采用K-means的聚类结果进行初始化以保证初始种群中

就存在一些相对好的粒子，剩余的粒子采用随机初始化的方式以增加初始种群的

多样性。在6个合成数据集和5个UCI真实数据集上的实验结果表明，本文提

出的混合聚类算法GLPSOK比8种经典或先进的聚类算法有更好的性能和更强

的稳定性。

关键词：

聚类，K-means，粒子群优化，高斯分布估计方法，Lévy飞行策略

Abstract

ResearchonHybridClusteringAlgorithmBasedonParticle

SwarmOptimizationAlgorithm

Clusteringisanimportantdataanalysistechnique.Researchshowsthatno

clusteringalgorithmcanachievethebestclusteringperformanceinallapplication

scenarios.Therefore,itisameaningfulworktoproposeandimprovedifferenttypesof

clusteringalgorithmstomeettheneedsofdifferentscenarios.Thepartitioningmethods

areclassicclusteringmethods.Theyaresimpleandefficient,andhavebeenwidely

usedinvariousfields.Ho