基于改進人工蜂群的K均值混合聚類算法及其應(yīng)用.pdf

1、隨著科學(xué)技術(shù)的飛速發(fā)展，人們的生活中充斥著各種各樣的信息，在面臨從這種海量信息中提取有價值的知識的問題上，很多工作往往需要對大數(shù)據(jù)量的數(shù)據(jù)進行聚類分析。作為一種最經(jīng)典的劃分聚類算法，K均值算法應(yīng)用廣泛、算法思想簡單易實現(xiàn)，聚類快速能夠處理大數(shù)據(jù)集。但是，K均值聚類算法自身也存在一些不足：聚類結(jié)果過分依賴初始點的選擇，全局搜索能力較弱，易陷入局部最優(yōu)解。
　　與此同時，日益發(fā)展的群體智能技術(shù)也因其自有的優(yōu)良特性而被運用到改善聚類性能

2、問題上。人工蜂群算法具有簡單易實現(xiàn)、全局尋優(yōu)能力強、所需控制參數(shù)少等特點。所以本文在前人的基礎(chǔ)上，首先對人工蜂群算法進行改進，再將其與K均值算法有效的結(jié)合，最后通過仿真實驗并應(yīng)用在復(fù)雜網(wǎng)絡(luò)的社區(qū)劃分問題上，證明改進算法的有效性，具體工作如下：
　　(1)種群初始化在人工蜂群算法中極為重要，初始化的好壞直接關(guān)系到算法后期的迭代時空復(fù)雜度。針對人工蜂群算法初始化隨機性問題，本文提出一種最大最小距離積算法用于種群的初始化，克服原算法的初

3、始化的盲目性和隨機性。
　　(2)針對人工蜂群算法在迭代后期容易出現(xiàn)收斂緩慢的問題，本文提出一種基于全局影響因子的位置更新公式。該公式在保證蜂群具有較強的開采能力的同時，也提升了其探索能力。同時為與K均值有效結(jié)合，這里提出一種基于K均值聚類過程的適應(yīng)度公式，從而能夠能精確地引導(dǎo)種群的進化方向，提高了人工蜂群算法的健壯性。
　　(3)將改進后的人工蜂群算法與K均值算法結(jié)合得到混合聚類算法，利用改進算法的特性有效克服了K均值算法