基于改进遗传算法的K-means聚类方法

K-means算法是聚类分析划分方法中的一种常用方法,也是目前在数据分析方法中最有应用前景的方法之一。但K mean算法对初始聚类中心十分敏感,这对处理学生成绩等数据而言,会导致聚类结果极为不稳定。为此,提出基于改进遗传算法的K means聚类算法。该算法利用遗传算法解决初始聚类中心,提高聚类结果的稳定性,但存在前期过早收敛和后期收敛过慢的缺点。将改进遗传K means聚类算法应用于高职高专的学生考试成绩分析中,可以很好地解决传统遗传聚类算法对聚类结果的不稳定性问题,并通过聚类结果对学生考试成绩进行分类评价,利用所获得的数据聚类结果指导教学,从而提高教学质量。     

一种K-means算法的k值优化方案

聚类算法是数据挖掘中核心技术之一,而k-means算法在经典聚类算法中占有重要地位。针对k-means聚类算法的最佳聚类个数k不易获得,因而使得该聚类算法的应用受到限制,为此提出一种k值优化方法:通过给出大于最佳聚类数的可能聚类数,而得到优化的聚类个数。通过实例给予验证,其结果说明该方法合理有效。     

基于免疫单亲遗传和模糊C均值的聚类算法

聚类算法是数据挖掘算法中的重要方法之一.本文在分析了FCM算法和基于遗传聚类算法的不足基础上,提出了一种基于免疫单亲遗传和模糊C均值的混合聚类算法,克服了FCM的局部最优问题以及普通遗传算法聚类时的搜索速度和聚类精度的矛盾,实验表明该算法是有效的.     

加权模糊聚类算法在城市综合经济实力评估中的应用

综合经济实力反映一个城市的经济发展水平.该文运用加权模糊聚类算法,评估城市综合经济实力,并改进了指标权重的算法,避免不同属性对分类贡献无差异的问题.结合权重与模糊聚类算法,分析评估方案运用加权模糊聚类算法,评估河南省各市综合经济实力,结果表明,运用加权模糊聚类算法评价城市综合经济实力有效.     

基于密度的聚类算法研究

聚类算法是数据挖掘的核心技术,基于密度的聚类是一类已经被证明非常有效的聚类方法．与DBSCAN算法作比较,文章提出了一种基于密度的聚类算法（Clustering Using Centers and Density,CUCD）．该算法是基于中心点以及密度实现的,其核心对象是根据数据分布计算出来的虚拟的点,并且核心对象的代表性随程序的执行次数而提高;经实验验证,该算法具有较好的时间效率和聚类质量．     

基于改进K-medoids算法的社会化标签聚类研究

为了对社会化标注系统中的标签进行有效聚类,并针对传统K-medoids算法存在的聚类结果易受初始聚类中心影响的问题,本文提出了一种改进的K-medoids标签聚类算法.该算法应用社会化标签的余弦相似值进行初始聚类中心的选择,然后进行标签聚类.对Delicious标签数据集的实验结果表明算法具有较强的的可行性和有效性.     

一种改进的聚类和孤立点检测算法

对基于距离的聚类及基于密度的孤立点检测方法进行了分析研究,提出了一种基于距离和密度的聚类和孤立点检测算法DDBCOD.该算法根据距离和密度阈值对数据进行聚类,并发现数据中的孤立点.实验表明,该算法能够识别任意形状的聚类,对高维数据有效,能够很好的识别出孤立点.     

股票投资价值的一种基于层次聚类的实证研究

针对上市公司的基本面情况分析,构建了较为全面的综合评价指标体系. 定义了上市公司股票间"相似程度"的一种度量,基于该度量提出了一种新的层次聚类算法对样本股票进行聚类,然后通过聚类结果来分析投资价值确定投资品种或范围. 最后,选取上证30指数27家上市公司股票进行实证研究,结果表明所提聚类方法对指导证券投资是实用有效的.     

一种基于MapReduce的改进人工蜂群算法

针对现有序列聚类算法在对大规模数据进行聚类时,内存空间和计算时间开销较大的问题,提出了基于MapReduce的人工蜂群聚类算法。该算法通过引入MapReduce并行编程范式,快速计算聚类中心适应度,可实现对大规模数据的高效聚类。基于仿真数据对算法的聚类效果和聚类效率进行了验证。实验结果表明,与现有PK-Means算法和并行K-PSO算法相比,该算法具有更好的聚类效果和更高的聚类效率。     

K-means算法最佳聚类数评价指标研究

聚类分析广泛应用于商务智能、图像模式识别、Web搜索、生物学等领域,是一种无指导的观察式学习。然而,绝大多数聚类分析算法都面临着一个非常棘手的问题——最佳聚类数的确定。K-means是典型的基于划分的聚类方法,它需要用户输入聚类数K,但这通常非常困难。聚类数的确定是决定聚类质量的关键因素。虽然有许多被用来估计最优聚类数的聚类评价指标,但对于不同的聚类算法,不同的评价指标效果差异很大。为确定针对K-means聚类算法效果最好的评价指标,采用4种典型的不同聚类结构特征的人工模拟数据以及来自UCI的真实数据集对7种评价指标的性能进行实验比较,结果表明CH指标和I指标在评估K-means算法的最佳聚类数时效果较好。     

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想。该算法首先利用蚁群算法较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,进行K-均值聚类弥补蚁群算法的不足。两者的有机结合可以寻求到具有全局分布特性的最优聚类,实现基于改进的蚁群聚类算法分析。     

物流配送路径中蚁群算法改进策略

蚁群算法是求解物流配送最佳路径的有效仿生模拟方法,但存在早熟、停滞、局部最优等缺陷。文章从蚁群算法的数学本质出发,提出将单纯蚁群算法与爬山算法、混沌理论、K-均值聚类算法相结合等几种有效的改进策略,使得改进后的蚁群算法具有更多优越性。     

改进蚁群算法的动态K-均值聚类分析

提出了一种基于改进蚁群算法的动态K-均值聚类算法思想,该算法首先利用蚁群算法的较强处理局部极值的能力,动态地确定了聚类数目和中心,然后利用蚁群聚类得到的结果,再进行K-均值聚类弥补蚁群算法的不足。两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的蚁群聚类算法分析。     

分区域聚类的蚁群算法

根据旅行商问题中城市分布的特点,提出了分区域聚类的蚁群算法.首先,对城市分布进行球形聚类,再分别对剩下的城市进行线形聚类和孤立点聚类.采用这样的分区域聚类的蚁群算法收敛速度快,寻求的解更优.实验表明,该算法比基本蚁群算法在求得解更优的同时,速度快3～13倍.     

基于蚁群算法的图像分割方法改进研究

图像分割是一种对不同特征的像素进行聚类的过程,过程中涉及像素的梯度、灰度及邻域特征。由于蚁群算法的离散性、并行性、全局优化性和稳定性等特点,基于蚁群算法提出一种有效的图像分割改进算法。首先通过蚁群改进算法的模糊聚类能力可以分别计算出像素与目标、背景、噪声点、边界点的隶属关系;然后对于蚁群算法循环次数多、计算量较大的问题,设置启发式引导函数和聚类中心,解决传统聚类中运行效率低、初始化敏感度高等缺点;最后引入梯度算子,对目标与背景灰度值相似图像进行分割,对结果进行了进一步的优化。实验表明,应用该改进算法得到的图像分割结果具有较高的准确度和效率。     

具有势场启发因子的蚁群路径规划仿真

移动机器人路径规划是目前实验教学中学生最为感兴趣的创新实验项目之一。为在程序运行的不同阶段让蚁群算法和人工势场法发挥各自优势,利用人工势场法对蚁群算法进行了改进,引入势场启发因子,使改进后算法能够较为快速地规划出一条较优的全局路径,并在实验室环境下对改进算法进行了仿真分析与验证。该实验项目有效地训炼了学生的编程能力和培养了创新思维。     

改进蚁群算法在解决TSP问题中的应用

在已知静态环境的条件下,提出一种改进蚁群算法,用以解决基本蚁群算法的收敛速度慢、效率低、易陷入局部最优解等问题。在传统蚁群算法的基础上,首先通过自适应改变挥发系数来使初始时刻的蚁群搜索能力加强、范围扩大,避免陷入局部最优解;其次将轮盘赌算子利用到状态转移规则中,有效地提高了解的质量和算法的收敛速度;最后通过精英选择操作,有效地提高了算法的全局搜索效率和收敛速度。通过对不同TSP实例仿真结果表明:改进后的蚁群算法在较少的迭代次数下得到的解非常接近问题的最优解,验证了该算法的可行性和有效性。     

基于蚁群模糊聚类算法的图像分割研究

论文提出了一种基于蚁群动态模糊聚类算法的计算机图像分割方法,有效地利用蚁群算法的聚类分析能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心。然后利用蚁群聚类算法得到的模型进行修改,再进行模糊聚类弥补蚁群算法的不足。最后将该算法应用到计算机图像分割技术。对比实验表明,该算法实验表明该算法速度快、划分特性好,可以准确地分割出目标。     

基于改进蚁群算法的 AGV 路径规划研究

近年来,自动导引机器人（AGV）一直是研究的热点问题,其中复杂路径规划为研究重点。为了更好地规划机器人路径,提出一种改进蚁群算法,该算法在传统蚁群算法基础上充分利用了 MMAS 算法的特点。首 先,构建网格环境模型,引入算法概率函数和抑制因子,通过改变算法的启发式信息,加快算法收敛速度|其次,引入回退机制解决死锁问题,再将 MMAS 蚂蚁系统转化为局部扩散信息素,只有迭代试验的最优解才能加入到信息素更新中|最后,有效限制信息素浓度,避免发生搜索路径过早收敛现象。仿真实验结果表明,改进蚁群算法与传统蚁群算法相比,迭代次数减少 45.6%,时间缩短 46.2%,改进蚁群算法收敛速度更快、效率更高。     

基于改进蚁群遗传算法的排课问题研究

提出了一种以蚁群算法为主,利用遗传算法经过交叉,变异,选择后产生进化的信息素作为蚁群使用的信息素.在遗传算法多次进化效果不明显时,引入模拟退火算法进行跳变的混合算法,使各种算法取长补短,改善了蚁群算法初始阶段运行缓慢和遗传算法局部搜索能力弱的缺点.提高了运行效率,同时运用这种改进的算法对高校排课问题进行仿真,从而比较算法改进的优缺点.