基于微粒群優(yōu)化算法的聚類分析及應(yīng)用.pdf

1、聚類分析作為數(shù)據(jù)挖掘和模式識(shí)別的主要方法之一，越來(lái)越引起人們的關(guān)注。在眾多的聚類方法中，C-均值算法是目前最實(shí)用也最受歡迎的算法之一。它不僅有著深厚的數(shù)學(xué)基礎(chǔ)，而且在很多領(lǐng)域獲得了成功的應(yīng)用。但C-均值聚類算法的致命缺陷是對(duì)初始值比較敏感，往往只能得到模型的局部極值點(diǎn)，造成聚類結(jié)果的隨機(jī)性，影響聚類的效果。
　　微粒群優(yōu)化算法（particle swarm optimization，PSO）是一種應(yīng)用廣泛的全局優(yōu)化算法，它的主要特

2、點(diǎn)是結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)、通用性強(qiáng)、具有記憶功能。因此，把微粒群優(yōu)化算法同C-均值算法相結(jié)合，既能發(fā)揮微粒群優(yōu)化算法的全局尋優(yōu)能力，又可以兼顧C(jī)-均值算法的局部尋優(yōu)能力，從而更好的解決聚類問(wèn)題。
　　本文主要對(duì)微粒群優(yōu)化算法在聚類分析中的應(yīng)用進(jìn)行了研究。首先采用模糊球殼聚類算法FCSS(fuzzy c spherical shells)分別對(duì)非同心球殼狀數(shù)據(jù)集和同心圓數(shù)據(jù)集進(jìn)行了聚類實(shí)驗(yàn)。結(jié)果發(fā)現(xiàn)FCSS算法對(duì)非同心球殼狀數(shù)據(jù)集分類

3、的效果還是比較好的，而對(duì)于同心球殼狀數(shù)據(jù)集的聚類基本無(wú)效。因此提出使用標(biāo)準(zhǔn)微粒群優(yōu)化算法與FCSS相結(jié)合的球殼聚類方法（PSO-FCSS）來(lái)解決同心球殼聚類問(wèn)題。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)：在對(duì)同心圓數(shù)據(jù)集的聚類問(wèn)題上，PSO-FCSS算法與GA-FCSS算法(基于遺傳算法的模糊球殼聚類算法)相比，有相對(duì)較快的收斂速度，但是全局收斂性較差，表現(xiàn)為隨著數(shù)據(jù)點(diǎn)數(shù)和聚類類別數(shù)的增加，PSO-FCSS算法的聚類效果明顯不盡人意；而GA-FCSS算法具有較好的

4、全局收斂能力，但其缺陷是收斂速度慢。綜合上述因素，將GA（遺傳算法）、PSO算法以及FCSS相結(jié)合，提出混合球殼聚類算法PSO-GA-FCSS，用遺傳算法的交叉因子和變異因子來(lái)優(yōu)化微粒位置，增加其收斂到全局最優(yōu)解的能力，用于解決球殼狀數(shù)據(jù)的聚類問(wèn)題。
　　此外，本文還將基于微粒群優(yōu)化算法的C-均值聚類算法應(yīng)用于電信企業(yè)的客戶細(xì)分中。在細(xì)分過(guò)程中，先采用微粒群優(yōu)化算法產(chǎn)生初始解群后再進(jìn)行迭代更新，在算法后期對(duì)新產(chǎn)生的個(gè)體用C-均值算