唐 亚, 王振友
基于JADE的自动聚类算法①
唐 亚, 王振友
(广东工业大学应用数学学院, 广州 510520)
JADE算法是传统差分进化算法(DE)的一种改进算法, 其收敛速度更快、优化性能更好, 拥有一套完整的自适应参数调整机制有效加强了算法的全局搜索优化能力. 本文将自适应差分进化算法(JADE)用于聚类, 提出了一个新的基于JADE的自动聚类算法(AC-JADE). 首先, 本文采用双交叉策略, 在传统的两点式交叉操作之后, 针对DE用于自动聚类时的特定的编码方式, 添加了一种基于个体间聚类中心随机交换交叉策略; 其次, 针对聚类中心选取方法的随机性导致的聚类中心有可能偏离数据集或者聚类中心过于集中的缺陷做出了相关改进, 通过先对聚类中心进行筛选在进行聚类, 有效避免了因算法本身的随机性导致的错误聚类划分. 通过对UCI的4个数据集的仿真实验比较, 该种双交叉操作的聚类算法明显好于同类算法.
自动聚类; 差分进化; 双交叉策略
聚类是数据挖掘领域中重要的技术之一, 已被成功地运用到了许多领域, 例如, 模式识别、图像处理等[1-2]. J.B.MacQueen在1967年提出的K-means算法[3], 是一种被广泛应用于科学研究和工业应用中的经典聚类算法. 该算法对大型数据集的处理效率较高, 特别是当样本分布呈现类内团聚状时, 可以达到很好的聚类结果. 欠缺的是, K-means需要事先确定聚类个数, 而事实上这个聚类个数是很难确定的.
Swagatam Das, Ajith Abraham和 Amit Konar 于2008年提出了基于差分进化的自动聚类算法(ACDE)[4], 该算……