研究综述
第12期李峻金,等:粒子群聚类算法综述
4425
一次簇的中心,即在算法l的步骤b)中求一次簇的均值,此方法可以简记为PsO+K.me如s;c)结合上述两种方法称为K—
me蛐+PS0+K.m∞r18方法。由实验可知‘引,混合算法能够在
一定程度上解决K.me鲫s算法容易陷入局部最优问题,存在的不足是算法收敛速度较慢。根据高尚等人[I们的工作,后两种
结合方法效果更好,获得最好解的概率明显高于K—me哪方法、基本PS0方法和K.me帅+PSO方法。但是Ps0算法粒子
的初值对算法也有一定的影响。
3.2粒子群优化算法与模糊C均值算法相结合
模糊c均值算法(乜zy
c—m咖8,FCM)是在传统c均值
算法中应用了模糊技术。设有限集x={石。,石:,…,扎}属于p维欧几里德空间彤,即钆∈彤,七:l,2,…,n。FcM算法采用
误差平方和函数.,删作为聚类目标函数:
kMu,y消}=三.∑.嵋II瓢一巩旷
(4)
Ⅱ。:县业_业堂二_Ⅱ让=■—————————————一
(5)L),
王[1川z‘一咋02]Ⅳ”1
%2I毛(u*)“’0邑(“止)“i2l,2,…,c
(6)
其中:,I为样本数;c为给定的类别数目,并且l<c<厅;m称为加权幂指数,它影响隶属度矩阵的模糊度;q为第i类的聚类中心;‰表示数据对象瓤属于簇G的程度。
FcM算法通过对式(5)和(6)的迭代进行聚类,当_,Fc。收敛到极小值时,就得到了最终的聚类结果模糊c一划分矩阵U和聚类中心矩阵讥
U=[Ⅱ正]f=l,2,…,c;I=l。2,…,n
y=[F]f=l,2,…,c
基于上述思想,根据初始化方法的不同,FCM算法可分为FCM.V和FCM.U两种。如果首先对聚类中心矩阵y进行初始化,则为FCM.V方法;如果首先对模糊C一划分矩阵U进行初始化,则为FcM u方法。
FCM算法实质上是初始聚类中心到聚类结果的映射,当初值确定后,聚类的结果就被惟一确定。由于目标函数存在许多局部极小值点,而算法的每一步迭代都是沿着目标函数减小的方向进行,若初始化落在一个局部极小值点附近,就可能使算法收敛到局部极小值,这种情况在聚类数目比较大时尤其突出。在这种情况下,一些随机方法如Pso算法有助于提高找到全局最优的概率。近年来,研究者们在PS0算法与FCM算法的结合上做了很多工作。
2006年Runkler等人¨¨通过分析比较hardC.me锄s(HCM)、FCM和possibilisticC—me曲s(PCM)三种基于最小化目标函数的模式聚类方法,提出了两种基于Ps0的聚类方法Ps0-V和PS0-U。其中Ps0.V方法可以发现簇的中心,它的每个粒子表示一组簇的中心,适应度函数为
_『Fc_(y;x)=:;,∑.‘‰一机lIo
2“三(∞‘一‰/咋一机)”.1)“
。
(7)Jj2l,ol
算法2
Ps0一V聚类算法
begin
a)给定簇的数目c,初始化簇中心矩阵y.并赋值给各个粒子,随
万方数据
机产生粒子的速度;
repe砒
b)对每个粒子计算隶属度u。;修正所有的聚类中心q,按照式(7)计算各个粒子的适应值,更新个体极值;
c)根据各个粒于的个体极值,找出全局极值和全局极值位置;d)按粒子群优化算法的速度公式更新粒子的速度,并把它限制在口∞内;
e)按粒子群优化算法的位置公式更新粒子的位置;unlil满足终止条件
f)输出最优粒子的位置即最优簇中心矩阵¨
end
PsO.u方法则发现簇的划分,其中每个粒子表示一组原始的模糊C-划分,适应度函数为
.,FcM(£,;x)=三.∑.Ⅱ:If.∑'H嚣‰/。∑.Ⅱ互)一瓢12
(8)
Ps0.u聚类算法流程与算法2基本相同,仅先初始化隶属度矩阵U,并作为结果输出。
通过Ps0与FcM的结合,Runkler等人在一定程度上解决
了FcM算法对初值敏感和局部最优问题。
继Runkler等人的工作之后,文献[12,13]分别将Ps0与FcM结合用于聚类,采用算法2的形式,使用Pso算法对由FcM算法产生的中心进行优化,利用PS0算法的全局搜索能力解决FcM算法对初值敏感和局部最优问题。文献[12]采取Ps0+FcM+Ps0的结合方式得出最终的结果。由于混合算法中粒子的更新具有很强的随机性从而不易陷入局部最优,且收敛的速度更快¨“。
Yi
wen.sheng等人¨41根据图像中不同类的特征向量在特
征空间中可能很接近的结论¨引,提出了带有特征选择的模糊Pso图像聚类算法,有效地解决了维数灾难问题。Feng等人¨钊提出了一种适应性超模糊划分粒子群优化聚类算法,用于将具有不同几何结构的数据集划分成正确的组。算法使用Feng在2001年提出的hyper-eujp∞id模糊划分方法计算数据对象到簇的中心的归属度:
吲扎钔=唧(一卢(%≯+...+%笋))㈤
结合PsO算法对聚簇中心进行优化,适应性函数以上述归属度为参数。该方法同样适合于解决复杂不规则的高维数据集的聚类问题。
文献[17]在Ps0模糊聚类的基础上引入了核函数的概念,提出了一种基于PS0算法的模糊核聚类算法。算法首先使用Mer℃er核函数将原始空间中的数据转换到一个高维特征空间,在特征空间中应用基于FcM梯度下降的Ps0方法完成迭代过程,以提高算法的全局搜索能力.避免FCM方法的局部极值问题,同时降低FcM方法对初始值的敏感度。
Pso算法与FcM算法的结合方式与PS_o算法与K-mea啮算法的结合方式类似,都是采用Ps0算法的连续优化形式,即利用雎D算法的全局搜索能力来有效降低算法陷入局部最优的概率。通过将Ps0与FCM的结合,研究者们在一定程度上解决了FCM算法高维聚类¨4。叫和对初值敏感【171等问题。混合算法存在的主要问题是收敛的速度较慢。3.3应用改进的粒子群优化算法进行聚类
为了得到更好的聚类结果,研究者们尝试对PsO算法进行改进或设计新的Ps0算法,并将其应用于聚类分析。
文献[18,19]提出了qIl鲫tum—behaved
paJticle
sw蛐a州.
m妇ion(QPs0)算法并将其与K.me蛐算法结合用于聚类。
粒子群聚类算法综述_李峻金_机械/仪表_工程科技_专业资料 暂无评价0人阅读0次下载举报文档 粒子群聚类算法综述_李峻金_机械/仪表_工程科技_专业资料。第 26...
粒子群聚类算法综述_信息与通信_工程科技_专业资料。粒子群算法的概述第26 卷第 12期2009年12月 计算机应用研究ApplicationResearchofComputers Vol.No.2612Dec....
粒子群算法综述【摘要】 :粒子群算法(pso)是一种新兴的基于群体智能的启发式 全局搜索算法,具有易理解、易实现、全局搜索能力强等特点,倍 受科学与工程领域的广泛...
粒子群聚类算法综述 5页 免费 基于粒子群的聚类算法改... 55页 3下载券...%粒子群聚类算法 function [m_pattern]=C_PSO(m_pattern,patternNum) disType=...
粒子群优化算法及其应用综... 3页 免费 粒子群聚类算法综述 5页 2财富值...2003 M 文章编号: 100120920 ( 2003) 0220129206 微粒群算法综述谢晓锋, 张...
粒子群聚类算法综述 5页 免费 基于粒子群的K均值聚类算... 5页 免费一种基于粒子群算法的聚类算法...
一种基于粒子群的聚类算法_专业资料。针对缸中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法...
粒子群聚类算法代码_IT/计算机_专业资料。用MATLAB语言实现的粒子群聚类算法,... 粒子群聚类算法综述 5页 免费 基于粒子群优化的文档聚... 6页 免费 免疫...
粒子群聚类算法综述 5页 免费 粒子群聚类MATLAB代码 4页 1下载券基于粒子群优化的文档聚类算法...
热门文档