免费论文摘要：鉴于精细集与遗传算法的聚类算法

跟着消息本领的兴盛，数据发掘本领获得了普遍的关心。聚类是数据发掘中的一个要害接洽范围，对它的接洽有着要害的表面意旨和运用价格。暂时对于聚类的接洽大概分为鉴于分别的本领、鉴于档次的本领、鉴于密度的本领、鉴于网格的本领、鉴于模子的本领以及朦胧聚类。K-均值聚类算法是一种鉴于分别的聚类算法，是一种运用特殊普遍的聚类算法，它具备大略、赶快，且不妨灵验地处置大数据集的特性。然而K-均值算法须要事前给定聚类个数K的值，并须要决定K个初始聚类重心。初始聚类重心采用的各别，聚类截止会有很大分别。K-均值算法对初始聚类重心的依附性引导了其聚类截止的不宁静性，简单堕入限制最优解。正文对准K-均值聚类算法的聚类截止重要依附于初始聚类重心，简单堕入限制最优解的遗憾，提出了鉴于精细集的密度加权K-均值聚类新算法，并在对遗传算法和娃娃生境遗传算法举行矫正接洽的普通上，提出了鉴于娃娃生境遗传算法的K-均值聚类算法。正文所提出的几个K-均值聚类算法都是计划找到K-均值聚类算法的最好初始聚类重心，再不K-均值聚类算法的聚类截止能抑制于全部最优解或好像全部最优解，克复往常K-均值聚类算法的聚类截止依附于初始聚类重心，容易堕入限制最优解的遗憾。正文的简直接洽处事囊括以次几个上面：开始，借助精细集表面处置不透彻常识的本领，提出一种新的密度加权精细K-均值聚类算法。该算法鉴于数据东西地方地区的样品点聚集水平，设置了新的样品密度因变量，采用彼此隔绝最远的K个高密度样品点动作初始聚类重心，按照各样品的密度在类均值计划进程中对其赋以各别的权重，获得不受乐音点感化的更有理的质心。克复了现有精细K-均值聚类算法的初始重心点随机采用，以及鉴于密度加权的精细K-均值聚类矫正算法的样品密度因变量设置所生存的遗憾。UCI呆板进修数据库的6组数据集，以及随机天生的带有乐音点的人为模仿数据集举行尝试，试验截止表明咱们的算法具备更好的聚类功效，并且对乐音数占有很强的抗干预本能。第二，对准遗传算法生存早熟和抑制速率慢等题目，咱们鉴于低等底栖生物的分割生殖局面，提出了分割算子的观念，并将该算子引入到保守遗传算法和自符合遗传算法中，对这两种遗传算法举行矫正。一系列多峰因变量的试验表明，引入分割算子后的遗传算法和自符合遗传算法不只能灵验地抑制到全部最优解，并且普及了抑制速率。第三，对准娃娃生境遗传算法简单爆发进化阻碍和限制最优本能差等缺点，咱们在娃娃生境遗传算法普通上提出的矫正梯度算子的娃娃生境遗传算法和矫正梯度算子的自符合娃娃生境遗传算法，Shubert因变量的试验尝试表明咱们的矫正梯度算子的娃娃生境遗传算法和矫正梯度算子的自符合娃娃生境遗传算法具备更快的抑制速率和更高的求解精度，能赶快找到具备多个最优解的多峰因变量——Shubert因变量的一切最优解。第四，借助娃娃生境遗传算法的在求解多峰值因变量优化题目时，不妨找到十足最优解的便宜，咱们提出两种鉴于娃娃生境遗传算法的K-均值聚类算法，咱们的算法将K-均值聚类题目变化为一个具备K个极值的多峰因变量优化题目，运用娃娃生境遗传算法来求解。咱们的鉴于娃娃生境遗传算法的K-均值聚类算法克复了典范K-均值算法对初始重心敏锐，容易堕入限制最优解的遗憾。6组UCI呆板进修数据库数据集，以及人为随机天生的带有乐音点的模仿数据集试验尝试，表明咱们提出的两种鉴于娃娃生境遗传算法的K-均值聚类算法不只聚类功效好，且对乐音数据具备强的抗干预本能。

来源：半壳优胜鲸鱼幸运星转载请保留出处和链接！

本文链接：http://87cpy.com/250323.html