基于matlab采用遗传算法确定最佳聚类数new

《基于matlab采用遗传算法确定最佳聚类数new》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、维普资讯http://www.cqvip.com第25卷第l期长春工业大学学报(自然科学版)Vo1．25No12004年3月JournalofChangchunUniversityofTechonology(NaturalScienceEdition)Mar．2004文章编号：1006—2939(2004)O1—0012—04基于MATLAB采用遗传算法确定最佳聚类数郭海湘，诸克军，刘涛(中国地质大学研究生院，湖北武汉430074)摘要：将迭代自组织分析技术(ISODATA)和遗传算法(GA)嵌套构成遗传一迭代自组织分析技术(GA—Is()一DATA)

2、。共同形成模糊c一均值的优化算法，不仅能够在给定预分类数的前提下实现最佳分类。而且在完全不需要人工干预的环境下直接得到模糊c一均值(FCM)中最佳分类数。完善和发展了模糊c-均值算法。关键词：模糊软划分；最佳分类数；遗传算法；MATLAB；ISODATA；FCM中图分类号：TP391文献标识码：A0引言(2)∑一l，即对一个样品而言，它对各模糊聚类分析是在不确定性系统中进行软计类的隶属度之和为l；算的常用的方法。IsODATA聚类算法是由美国(3)∑r。>0，即保证每类都不空。科学家Beazdek]提出的一种效果理想的聚类分析方法，只要根据研究对象的具

3、体情况确定预分步骤2：对R计算类中心类数C及收敛精度就可以实现对样本的最优划∑J(＼r。)“i分。然而，由于系统的高度复杂性和指标的模糊一r—一性，常常是事先无法确定预分类数。即使对系统∑厶(＼r／j)有一些了解，事先给定预分数，而实际上是对算法其中，U，为原始样本的数据，用向量来表达。的一种人工干预，很可能伤害了分类的科学性。步骤3：由和下面式子，计算新的软分类矩近年来，模仿生物进化机理发展起来的基因阵R一[r]遗传算法是一种全局寻优算法，为解决上述问题(FCM算法的缺点)提供了广阔的前景。特别是[骞(将)南在数量大、分类要求比较高，需要并行计算环境

4、的其中，通常k一2。场合，遗传算法的思想和方法更显示出了FCM步骤4：对于预先给定的小整数e(如lO_。，算法无法比拟的优越性口。基于遗传算法的这一lO_’，⋯)，如果max[-lr—r1]

5、成软分类2遗传算法矩阵R?一[]，”是样本的个数。这个矩阵满足下面三个条件：遗传算法是一种基于自然选择和自然遗传的(1)r∈Eo，1]；全局优化算法，用遗传算法对多个个体组成的群收稿日期：2003—10—15基金项目：国家自然科学基金资助项目(70273044)作者简介：郭海湘(1978一)，男，湖南湘乡人，中国地质大学硕士研究生，主要从事信息管理与信息系统方向研究维普资讯http://www.cqvip.com第l期郭海湘，等：基于MATLAB采用遗传算法确定最佳聚类数13体进行操作，通过遗传算子可以使个体间的信息生成软分类矩阵R一[]。，是样本的个

6、数。得以交换，这样的群体中的个体一代一代地得以这个矩阵满足下面三个条件：优化，并逐步逼近最优解。遗传算法的3个主要(1)∈Eo，11；算子是选择(selection)、交叉(crossover)、突变(2)∑rij一0，即对一个样品而言，它对各(mutation)。遗传算法包含如下7个要素：i=l(1)参数编码：规定种群个体的数据结构。类的隶属度之和为1；(2)生成初始种群：规定种群的个体数目(3)∑rij>0，即保证每类都不空。(popsize)以及种群中每一个个体的长度(string—步骤5：对R?计算类中心，length)，每一个个体的生成是随机

7、的。(3)适应度值的计算：计算种群中每一个个体∑(r)“的适应度值(fitness)，作为选择的依据。一生}—一(4)选择(selection)：选择操作是从当前个体∑厶＼(lJ)中选出优良的个体，它们有机会作为父代为下一其中，／．／，为原始样本的数据，用向量来表达。代繁殖。个体的适应度值越大，其选择的机会就步骤6：由和下面式子计算新的软分类矩越大。阵R一[r](5)交叉(crossover)：在种群中随机选择个体作为相互交叉的对象，随机选择交叉点，交换信[骞(将)南]息。其中，通常志一2。(6)变异(mutation)：变异操作是按bit进行步骤7：

8、对于预先给定的小整数￡(如10-。，的，在种群中随机选择个体和变异点，然后把该点10-’，⋯)