面向聚類問題的微粒群優(yōu)化理論及方法.pdf

1、聚類廣泛應(yīng)用于信息檢索、衛(wèi)星遙感、金融證券、數(shù)據(jù)傳輸?shù)缺姸囝I(lǐng)域?；谌炙阉鳈C制的微粒群優(yōu)化技術(shù)，由于不依賴問題的特性、可以快速找到問題的最優(yōu)解或者次優(yōu)解，近年來學(xué)者們開始將其用于聚類問題。論文分析現(xiàn)有微粒群聚類算法存在的不足，針對類中心數(shù)目未知情況下的靜態(tài)數(shù)據(jù)聚類和流數(shù)據(jù)聚類等問題，開展其微粒群優(yōu)化理論與方法的研究。
　?。?）考慮類中心數(shù)目未知情況下的靜態(tài)數(shù)據(jù)聚類問題，研究其多目標(biāo)微粒群優(yōu)化理論與方法。首先，針對現(xiàn)有多目標(biāo)微粒

2、群優(yōu)化算法的不足，提出一種改進(jìn)的多目標(biāo)量子微粒群優(yōu)化算法；給出一種結(jié)合自適應(yīng)跳動算子的量子更新策略，用來更新微粒的位置；通過引入基于全局差異值GD排序的選擇策略，提出一種新的微粒全局極值點的更新策略；并選擇ZDT和DTLZ等典型測試函數(shù)，與多種典型算法進(jìn)行比較，實驗驗證了所提算法的有效性。
　　接著，將上述多目標(biāo)量子微粒群優(yōu)化算法用于類中心數(shù)目未知情況下的靜態(tài)聚類問題，提出一種改進(jìn)的多目標(biāo)量子微粒群聚類算法；給出一種適于類中心數(shù)目

3、未知情況的整數(shù)編碼策略；基于 canopy策略預(yù)測類中心的數(shù)目，設(shè)計一種有效的微粒群初始化策略；通過引入“與”、“并”和“差異”算子，定義一種改進(jìn)的離散量子微粒更新公式；最后，通過多個UCI典型測試數(shù)據(jù)集，實驗驗證所提算法的有效性。
　　（2）針對流數(shù)據(jù)聚類問題，研究其多種群協(xié)同微粒群聚類方法。借助時間窗將按序到達(dá)的流數(shù)據(jù)分成若干數(shù)據(jù)子塊，采用多個微粒群協(xié)同處理收到的每個數(shù)據(jù)子塊。處理某一數(shù)據(jù)子塊時，利用變量分割思想將高維聚類問題