引入多目标优化的聚类算法改进及其在大数据中的应用.pdfVIP

信息记录材料２０２５年３月第２６卷第３期

引入多目标优化的聚类算法改进及其在大数据中的应用

梁家烁

（罗定职业技术学院广东云浮５２７２００）

【摘要】本研究探讨多目标优化在聚类算法中的应用，聚焦于提升聚类结果的精度和适应性。在高维数据与复杂分布的情境下，

传统聚类算法难以有效平衡类内紧凑性和类间分离性。针对此问题，本研究提出一种改进的多目标优化聚类方法，采用非支配排序

与拥挤度控制机制，通过优化聚类中心选择与迭代收敛过程提升算法的稳定性与效率。结果表明：与传统的聚类算法相比，引入多目

标优化的改进聚类算法训练时间最低，仅为１６３６ｓ，且拥有更好的预测精度，在高维复杂数据和大规模数据处理上展现出显著优势，

可提供高效的解决方案。

【关键词】多目标优化；聚类算法；大数据

－－－

【中图分类号】ＴＰ１８【文献标识码】Ａ【文章编号】１００９５６２４（２０２５）０３０１２６０３

０引言序，还能通过拥挤距离确保解的多样性，有效应对多目标

随着数据规模的急剧增长，如何有效地处理和分析海优化中的非均匀解集分布问题。

量数据已成为现代科技发展的重要课题。聚类算法作为多目标粒子群优化（ｍｕｌｔｉｐｌｅｏｂｊｅｃｔｉｖｅｐａｒｔｉｃｌｅｓｗａｒｍ

数据挖掘的核心方法，已被广泛应用于大数据分析、图像ｏｐｔｉｍｉｚａｔｉｏｎ，ＭＯＰＳＯ）算法是基于粒子群优化的多目标优

处理和推荐系统等领域。然而，传统聚类算法在面对高维化算法，通过在传统粒子群优化算法中引入外部存档机制

数据和复杂数据结构时，易陷入局部最优，计算资源消耗和拥挤度控制方法，使得其在求解多目标优化问题时具备

［２］

巨大，难以满足实际应用需求。多目标优化技术可通过平更强的适应性。在ＭＯＰＳＯ算法中，通过存储非支配解

衡不同目标函数有效提升算法性能和适应性，将其引入聚的存档保存Ｐａｒｅｔｏ前沿，并引入拥挤度控制方法以维持解

［１］集的多样性。每个粒子的位置更新遵循式（３）。

类算法成为一种趋势。基于多目标优化的聚类算法在

ｂｅｓｔ

＝＋－＋

优化聚类效果、降低计算复杂度方面展现出优越性，可为ｖｗ·ｖｃ·ｒａｎｄ（）·（ｐｉｉ１ｉｘ）ｉ

大数据环境下的高效数据处理提供新思路。ｃ·ｒａｎｄ（）·（ｐ２ｇｂｅｓｔ－ｘ）ｉ（３）

１多目标优化概念及常用方法式中，ｒａｎｄ表示一个随机函数，生成范围在０～１的随机

多目标优化问题通常被表述为求解函数集的Ｐａｒｅｔｏ数。每次调用时，ｒａｎｄ（）生成一个新的随机值。这个随机

最优解，Ｐａｒ