基于模擬退火遺傳算法的模糊聚類研究.pdf

1、聚類分析是數(shù)據(jù)挖掘領(lǐng)域中一個(gè)十分重要的課題，既可以單獨(dú)用來分析數(shù)據(jù)集中的深層信息，也可以作為其他數(shù)據(jù)挖掘分析算法的一個(gè)預(yù)處理步驟，因此研究如何提高聚類算法的性能具有重要的意義。相比于傳統(tǒng)的硬聚類算法，模糊聚類算法，有著更好的數(shù)據(jù)表達(dá)能力與聚類性能?；谀繕?biāo)函數(shù)的FCM算法是最為完善、應(yīng)用最廣泛的模糊聚類方法之一。然而研究表明FCM算法強(qiáng)烈依賴于參數(shù)的初始狀態(tài)，算法容易陷入局部極值點(diǎn)而得不到最優(yōu)模糊劃分；另外，F(xiàn)CM算法要求在分析前給出聚

2、類類別數(shù)C的先驗(yàn)信息，這給算法的應(yīng)用帶來極大的不便。
　　 本文重點(diǎn)針對FCM算法對初始值敏感，易陷入局部最優(yōu)及需要事先給出聚類類別數(shù)C等不足，提出了一種基于改進(jìn)的模擬退火遺傳算法的模糊聚類算法(SAGAFCM算法)。改進(jìn)SAGAFCM算法先利用網(wǎng)格化和密度值法改進(jìn)最大最小距離法得到最有可能成為聚類中心的點(diǎn)，從而較大程度上避免了初值選擇的隨機(jī)性，接著利用模擬退火遺傳算法從這些候選點(diǎn)中選出最優(yōu)的初始聚類中心點(diǎn)，最后以得到的聚類中心

3、點(diǎn)作為FCM算法的初始值，得到最終的聚類結(jié)果。該算法實(shí)現(xiàn)了輸入?yún)?shù)的知識(shí)領(lǐng)域最小化，即不要求用戶事先給出聚類的個(gè)數(shù)和初始聚類中心。SAGAFCM算法中采用的模擬退火遺傳算法以動(dòng)態(tài)方式來確定聚類中心數(shù)，相應(yīng)的染色體采用可變長染色體編碼方案；另外，SAGAFCM算法中用到的適應(yīng)度函數(shù)也對FCM中的目標(biāo)函數(shù)進(jìn)行了改進(jìn)，同時(shí)考慮了聚類信息的耦合度和分離度。為了測試改進(jìn)SAGAFCM算法的聚類性能，本文將其與FCM算法在多個(gè)數(shù)據(jù)集上進(jìn)行了對比實(shí)驗(yàn)