基于群體智能的多目標(biāo)聚類算法研究

《基于群體智能的多目標(biāo)聚類算法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、分類號密級碩士學(xué)位論文題目：基于群體智能的多目標(biāo)聚類算法研究英文并列題目：ResearchonSwarmIntelligenceBasedMultiobjectiveClusteringAlgorithms研究生：朱書偉專業(yè)：控制科學(xué)與工程研究方向：檢測技術(shù)與自動化裝置導(dǎo)師：周治平教授指導(dǎo)小組成員：學(xué)位授予日期：2016年6月答辯委員會主席：于鳳芹江南大學(xué)地址：無錫市蠡湖大道1800號二〇一六年六月獨創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加Ｗ標(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果

2、，也不包含本人為獲得江南大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使福過的材料。與我一同工作的同志對本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示謝意。東＞簽名：餐日期／占年作坪：日／關(guān)于論文使用授權(quán)的說明本學(xué)位論文作者完全了解江南大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定：江南大學(xué)有權(quán)保留并向國家有關(guān)部口或機(jī)構(gòu)送交論文的復(fù)印件和磁盤，允許論文被査閱和借閱，可Ｗ將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可Ｗ采用影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論文一，并且本人電子文檔的內(nèi)容和紙質(zhì)論文的內(nèi)容相致。保密的學(xué)位論文在解密后也遵守此規(guī)定。簽

3、名：束導(dǎo)師簽名：心絳吁為＿日親年＾月＼日／摘要摘要聚類是一種無監(jiān)督分類技術(shù)，一直以來在數(shù)據(jù)挖掘、模式識別、圖像處理等領(lǐng)域得到廣泛的研究。近幾十年來，各種各樣的聚類算法相繼被提出，其中以最優(yōu)化目標(biāo)函數(shù)為基本原理的聚類算法一直是研究最熱門的一類，該類算法通常具有聚類效果良好、易于設(shè)計理解、應(yīng)用范圍廣泛等優(yōu)點。然而，這類算法通常無法避免局部最優(yōu)的問題，且大多僅考慮單一聚類指標(biāo)而存在較大的局限性。本文研究基于群體智能和多目標(biāo)優(yōu)化的聚類算法，主要包含以下方面的內(nèi)容：（1）針對K-調(diào)和均值算法（K-HarmonicMeans,KHM）易陷于局部最優(yōu)的缺點，提出一種融合混沌螢火蟲算法

4、（FireflyAlgorithm,FA）的KHM。本文將基于并行混沌優(yōu)化FA的精細(xì)搜索引入到聚類算法，通過并行混沌優(yōu)化策略在當(dāng)前最優(yōu)解及次優(yōu)解附近直接搜索，以增強(qiáng)算法的尋優(yōu)性能。并且，將這種改進(jìn)的FA用于KHM算法聚類中心的優(yōu)化。此外，針對KHM中距離度量將所有特征視為相等的重要而存在的不足，本文中提出利用特征加權(quán)改進(jìn)KHM算法。在其目標(biāo)函數(shù)中，以加權(quán)歐氏距離替代了傳統(tǒng)的歐氏距離，并證明了使得算法能夠收斂的特征權(quán)重更新機(jī)制。實驗結(jié)果表明，混沌螢火蟲算法有效地抑制了KHM陷于局部最優(yōu)的問題，但對聚類效果的改善不是很明顯，通過屬性加權(quán)使得該類算法的性能得到進(jìn)一步的提升。（2）現(xiàn)有的屬

5、性加權(quán)聚類算法大多是以單個目標(biāo)函數(shù)進(jìn)行優(yōu)化而無法有效分析各種不同類型的數(shù)據(jù)，且對于非線性的復(fù)雜結(jié)構(gòu)數(shù)據(jù)的性能較差。本文以自適應(yīng)更新屬性權(quán)重的核聚類算法為基礎(chǔ)，提出一種基于核的屬性加權(quán)多目標(biāo)聚類算法，其中分別考慮聚類的類內(nèi)和類間信息建立兩個相對的目標(biāo)函數(shù)，且不引入任何額外參數(shù)。并且為了降低對較大規(guī)模數(shù)據(jù)的時間復(fù)雜度，將采樣操作與高效的聚類集成方法相結(jié)合對基于投影坐標(biāo)值的最終解選取方法進(jìn)行改進(jìn)。實驗結(jié)果表明，所提算法的聚類準(zhǔn)確度與穩(wěn)定性相對于現(xiàn)有的屬性加權(quán)聚類算法具有明顯的優(yōu)勢，并且獲取聚類解的計算效率也獲得了較大提升，能夠有效地用于分析更多樣性的數(shù)據(jù)。（3）針對傳統(tǒng)面向分類屬性數(shù)據(jù)的

6、聚類算法大多是對單一指標(biāo)優(yōu)化而存在的局限性，將類內(nèi)和類間信息同時引入到優(yōu)化過程中，結(jié)合多目標(biāo)優(yōu)化算法與模糊中心點聚類，提出一種新穎的多目標(biāo)模糊聚類算法。與傳統(tǒng)的基于遺傳算法的混合聚類方法不同的是，采用模糊隸屬度對染色體進(jìn)行編碼，同時優(yōu)化兩個相對的聚類目標(biāo)函數(shù)獲得一組最優(yōu)解集，并且采用了一種提前終止準(zhǔn)則判斷算法是否達(dá)到穩(wěn)定狀態(tài)并停止操作，以減少不必要的計算開銷。為了進(jìn)一步提高算法的效率，通過采樣子集計算出相應(yīng)的模糊中心點作為類的表達(dá)，然后以這些模糊中心點計算出全體樣本的隸屬度矩陣即可獲得最終的聚類結(jié)果。實驗結(jié)果表明，所提方法在聚類精度和穩(wěn)定性方面優(yōu)于當(dāng)前最新的多目標(biāo)聚類算法，且計算效

7、率也獲得較大的提升，在同類算法中具有較明顯的優(yōu)勢。關(guān)鍵詞：聚類分析；群體智能；多目標(biāo)聚類；混沌優(yōu)化；特征加權(quán)；聚類集成IAbstractAbstractClusteringisanunsupervisedalgorithm,whichhasbeenwidelyresearchedinmanyfields,suchasdatamining,patternrecognitionandimageprocessing.Duringtherecentseveraldecades