改进混合蛙跳算法和K-Means的新型聚类算法.pdf

改进混合蛙跳算法和K-Means的新型聚类算法.pdf

ID:56060649

大小:360.70 KB

页数:6页

时间:2020-06-20

改进混合蛙跳算法和K-Means的新型聚类算法.pdf_第1页
改进混合蛙跳算法和K-Means的新型聚类算法.pdf_第2页
改进混合蛙跳算法和K-Means的新型聚类算法.pdf_第3页
改进混合蛙跳算法和K-Means的新型聚类算法.pdf_第4页
改进混合蛙跳算法和K-Means的新型聚类算法.pdf_第5页
资源描述:

《改进混合蛙跳算法和K-Means的新型聚类算法.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、2014年第23卷第7期http://www.c—S—a.org.cn计算机系统应用改进混合蛙跳算法和K-Means的新型聚类算法①卞艺杰,吴慧,邹银马,马瑞敏(河海大学商学院,南京211100)摘要:研究针对现有聚类算法存在着精度较低,易陷于局部最优等问题,提出一种改进的混合蛙跳算法和K—Means相结合的新型聚类算法ISFLA.K,该算法使用对立学习的思想产生初始种群,根据蛙自身具有认知能力和学习能力的特性对混合蛙跳算法的蛙跳规则进行改进,即形成ISFLA,最后使用ISFLA优化K.Means聚类算法,提高求解精度.实

2、验结果表明,ISFLA.K具有很好的聚类性能,求解精度高.关键词:混合蛙跳算法;K.Means算法;ISFLA.KNewClusteringAlgorithmBasedonImprovedShufledFrogLeapingAlgorithmandK-MeansAlgorithmBIANYi—Jie,WUHui,ZOUYin-Ma,MARui-Min(BusinessSchool,HohaiUniversity,Nanjing211100,China)Abstract:Existingclusteringalgorithm

3、shavetheproblemsoflowprecisionandeasytofallintolocaloptimum.Thepaperproposesanewalgorithm-ISFLA—K,whichcombinedwithanimprovedshufledfrogleapingalgorithmandK—Meansclusteringalgorithm.ThealgorithmUSeStheideaofanindependentstudytogeneratetheinitialpopulation.Accordin

4、gtothefrogs’characteristicsofcognitiveandlearningability,itimprovetherulesofshufledfrogleapingalgorithmleapfrog.ThepaperUSeSISFLAtooptimizeK-Meansclusteringalgorithm,whichimprovedsolutionaccuracy.Theexperimentalresultscanprovethevalidityandsuperiorityoftheproposed

5、algorithm.Keywords:shufledfrogleapingalgorithm;K-means;ISFLA—K随着K.Means算法作为一种经典的聚类算法,广ISFLA.K,运用改进后的SFLA算法的优点去弥补泛应用于数据挖掘和知识发现领域,但是K.Means算K.Means算法对初始聚类中心敏感常陷于局部极值的法的聚类精度往往受到初始聚类中心选取的影响,进不足,从而提高聚类算法的精度值.而易陷入局部最优.专家学者把AC0、PSO等群智能优化技术引入到K.Means算法中,实验结果I2]表明,1K.Means

6、聚类算法介绍这些进化算法在一定程度上可以解决陷入局部极值的K.Means算法是把u个数据对象分为k个簇,使问题,但在此过程中也有可能产生退化现象,导致各聚类中的数据点到该聚类中心的距离平方和最小,K。Means算法迭代次数过多,聚类准确性不高.混合使得各簇内的对象具有较高的相似性,而各簇间相似蛙跳算法(SFLA)作为一种全新的生物进化算法,它不性较低.算法首先任意选择k个点作为k个初始聚但具有粒子群算法较强的局部寻优能力,还具有遗传类的中心或均值。其次计算剩余的数据点到各个聚类算法的全局寻优能力.SFLA概念比较简单,调整

7、参数中心的距离,按最近距离原则将数据点分配到离它最少,计算速度快,易于实现.因此,本文提出一种改进近的聚类中心所在的类.然后使用平均值方法再对调的混合蛙跳算法和K.Means相结合的聚类算法整后的新类计算新的聚类中心(所有对象的均值),如①收稿时间:2013—11.12;收到修改稿时间:2013—12-06SoftwareTechnique·Algorithm软件技术·算法115计算机系统应用http://www.c—S-a.org.cn2014年第23卷第7期果相邻两次的聚类中心没有任何变化或聚类准则函数的求解过程,其中

8、蛙被定义为问题的一个解.E已经收敛,说明数据对象调整结束.该算法采用的SFLA的基本过程【4:随机初始化产生N只蛙组成是迭代更新的方法,在每一次迭代过程中均考察每个初始种群P={>(X一..X},第K只蛙表示问题的解为数据的划分是否正确,若不正确,就要调整.在全部X=ix.X⋯Xks-},其中S表示解空

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。