基于遺傳算法的模糊聚類研究及其應用.pdf

1、數據聚類是一個正在蓬勃發(fā)展的領域，涉及數據挖掘、統(tǒng)計學、機器學習、空間數據庫技術、商務信息等領域，可以說涉及了人類社會生活的方方面面。 模糊聚類分析是將模糊理論應用到聚類分析中，為顯示數據提供了模糊處理能力，在許多領域被廣泛應用。FCM(Fuzzy c-means)算法是模糊聚類中的一種重要方法，它具有算法簡單、局部搜索能力強且收斂速度快的特點，然而FCM算法受初始化影響較大，在迭代時容易陷入局部極小。 遺傳算法是一種隨

2、機搜索的全局優(yōu)化算法，它以一個種群中的所有個體為對象，利用隨機化技術指導，對一個被編碼的參數空間進行高效搜索。其求解過程簡單，是智能計算中的主要算法之一。將FCM算法和遺傳算法相結合，將對算法的全局優(yōu)化能力產生巨大作用，使算法性能大為提高。但簡單遺傳算法采用固定的交叉概率和變異概率，若直接采用簡單遺傳算法進行聚類，會出現收斂過慢，穩(wěn)定性差等問題。 本文對遺傳算法的交叉概率和變異概率進行了深入研究，提出了一種新的交叉概率和變異概率

3、，并將遺傳算法和FCM算法相結合，提出了一種基于自適應遺傳算法的模糊聚類算法(Adaptive Genetic Algorithm Fuzzy c-means,AGAFCM)，該算法能充分發(fā)揮遺傳算法的全局優(yōu)化特征和：FCM算法局部搜索能力，極大地提高了算法的精度和效率。 績效考核作為人力資源管理的一項基礎性工作為人力資源管理提供準確的反饋信息。本文將改進的自適應遺傳模糊聚類算法用于員工績效考核成績的聚類分析，構建了聚類分析的員

4、工績效考核模型。為現代企業(yè)人力資源管理的績效考核提供了一種有效的數據分析方法。同時將該模型應用于人力資源管理系統(tǒng)，證明了模型的實用性和有效性。 本文的主要工作和貢獻如下： 1)對遺傳算法的交叉概率和變異概率進行改進，提出了根據個體適應度值進行線性調整的新的交叉概率和變異概率，以提高遺傳算法的收斂速度和穩(wěn)定性。 2)采用改進的交叉概率和變異概率和一些已有的改進策略對遺傳算法進行改進，同時將改進的遺傳算法應用于模糊聚