一种改进的粒子群优化快速聚类算法

doi:10.3969/j.issn.1001-2400.2012.05.011

J4 ›› 2012, Vol. 39 ›› Issue (5): 61-65+78.doi: 10.3969/j.issn.1001-2400.2012.05.011

一种改进的粒子群优化快速聚类算法

王纵虎;刘志镜;陈东辉

(西安电子科技大学计算机学院，陕西西安 710071)

收稿日期:2011-08-04 出版日期:2012-10-20 发布日期:2012-12-13
作者简介:王纵虎(1984-)，男，西安电子科技大学博士研究生， E-mail：zonghuwang@gmail.com．
基金资助:
国家科技支撑计划资助项目(2012BAH01F05);国家自然科学资金资助项目(61173091)

Improved PSO-based fast clustering algorithm

WANG Zonghu;LIU Zhijing;CHEN Donghui

(School of Computer Science and Technology, Xidian Univ., Xi'an 710071， China)

Received:2011-08-04 Online:2012-10-20 Published:2012-12-13

摘要/Abstract

摘要：

提出了一种改进的基于粒子群优化的快速K均值算法，有效克服了K均值算法对初始聚类中心敏感和容易陷入局部最优从而影响聚类效果等缺点．与已有的粒子群优化聚类算法相比，该算法通过对样本各维属性进行规范化，预先计算样本的相异度矩阵，提出了一种简化的粒子的编码规则，基于相异度矩阵进行粒子群优化K均值聚类，在保证聚类效果的基础上，有效降低了计算的复杂度．在多个UCI数据集上的实验结果表明，该算法是有效的．

关键词: 粒子群优化, 聚类, K均值, 相异度, 适应度

Abstract:

This paper presents an improved particle swarm optimization based fast K-means algorithm which effectively overcomes the shortcomings of the K-means algorithm such as sensitive to initial cluster centroid and easiness to fall into local optimum so as to affect the clustering results. Compared with the existing particle clustering algorithm, is algorithm first normalizes the attributes of all the samples, and then computes the dissimilarity matrix. We propose simplified particle encoding rules and use PSO-based K-means clustering based on the dissimilarity matrix to ensure the basis for the clustering effect and reduce computational complexity. Experimental results on several UCI data sets validate the advantages of the proposed algorithm.

Key words: PSO, clustering, K-Means, dissimilarity, fitness

中图分类号:

TP391

王纵虎;刘志镜;陈东辉. 一种改进的粒子群优化快速聚类算法[J]. J4, 2012, 39(5): 61-65+78.

WANG Zonghu;LIU Zhijing;CHEN Donghui. Improved PSO-based fast clustering algorithm[J]. J4, 2012, 39(5): 61-65+78.

参考文献

［1］ Han J W, Kamber M. Data Mining: Concepts and Techniques ［M］. 2nd Ed. San Francisco: Morgan Kaufmann Publishers, 2001: 398-440.
［2］ Pena J M, Lozano J A, Larranaga P. An Empirical Comparison of Four Initialization Methods for the K-Means Algorithm［J］. Pattern Recognition Letters, 1999, 20(10): 1027-1040.
［3］赵恒, 杨万海, 张高煜. 模糊K-Harmonic Means聚类算法［J］. 西安电子科技大学学报, 2005, 32(4): 603-607.
Zhao Heng, Yang Wanhai, Zhang Gaoyu. Fuzzy K-Harmonic Means Clustering Algorithm ［J］. Journal of Xidian University, 2005, 32(4): 603-607.
［4］赵峰, 张军英, 刘敬. 核最优变换与聚类中心的算法［J］. 西安电子科技大学学报, 2009, 36(1): 127-133.
Zhao Feng, Zhang Junying, Liu Jing. Kernel Optimal Transformation and Cluster Centers Algorithm［J］. Journal of Xidian University, 2009, 36(1): 127-133.
［5］蔡晓妍, 戴冠中, 杨黎斌. 谱聚类算法综述［J］. 计算机科学, 2008, 35(7): 14-18.
Cai Xiaoyan, Dai Guanzhong, Yang Libin. Survey on Spectral Clustering Algorithms ［J］. Compute Science, 2008, 35(7): 14-18.
［6］ Frey B J, Dueck D. Clustering by Passing Messages between Data Points ［J］. Science 2007, 315(5814): 972-976.
［7］ Kennedy J, Eberhart R C. Particle Swarm Optimization ［C］//Proc of IEEE Internal Conference on Neural Networks. Perth: IEEE, 1995: 1942-1948.
［8］ Rana S, Jasola S, Kumar R. A Review on Particle Swarm Optimization Algorithms and Their Applications to Data Clustering ［J］. Artificial Intelligence Review, 2011, 35(3): 211-222.
［9］ van der Merwe D W, Engelbrecht A P. Data Clustering Using Particle Swarmoptimization ［C］//Proc of Evolutionary Computation. Cambella: IEEE, 2003: 215-220.
［10］ Esmin A A A, Pereira D L, de Araujo F P A. Study of Different Approach to Clustering Data by Using the Particle Swarm Optimization Algorithm ［C］//IEEE World Congress on Computational Intelligence. Hawail: IEEE, 2008: 1817-1822.
［11］刘靖明, 韩丽川, 侯立文. 基于粒子群的K-均值聚类算法［J］. 系统工程理论与实践, 2005, 6(3): 55-58.
Liu Jingming, Han Lichuan, Hou Liwen. Clustering Analysis Based on Particle Swarm Optimization Algorithm ［J］. System Engineering-Theory and Practice, 2005, 6(3): 55-58.
［12］ Cui X H, Polok T E. Document Clustering Using Particle Swarm Optimization ［C］//Swarm Intelligence Symposium 2005. Piscataway: IEEE, 2005: 185-191.
［13］张国英, 沙芸. 基于约束的粒子群聚类算法［J］. 计算机研究与发展, 2007(44): 192-197.
Zhao Guoying, Sha Yun. A Particle Swarm Clustering Algorithm Based on Constrained Optimization［J］. Journal of Computer Research and Development, 2007(44): 192-197.

[1]	李文刚, 王乾雄, 黄郡, 慈国辉, 翟肖童. 一种非合作多目标的分布式定位算法[J]. 西安电子科技大学学报, 2024, 51(6): 1-9.
[2]	张茹倩, 承楠, 陈文, 李长乐. 6G业务场景的不完全多视图聚类分析[J]. 西安电子科技大学学报, 2024, 51(3): 76-87.
[3]	肖怡心, 刘三阳. 融合模式搜索的蝗虫优化算法及其应用[J]. 西安电子科技大学学报, 2024, 51(2): 137-156.
[4]	张强, 周水生, 张颖. 自适应密度峰值聚类算法[J]. 西安电子科技大学学报, 2024, 51(2): 170-181.
[5]	朱东霞, 贾洪杰, 黄龙霞. 非负拉格朗日松弛优化的子空间聚类算法[J]. 西安电子科技大学学报, 2024, 51(1): 100-113.
[6]	赵浩钦, 杨政, 司江勃, 石嘉, 严少虎, 段国栋. 一种聚类辅助的智能频谱分配技术研究[J]. 西安电子科技大学学报, 2023, 50(6): 1-12.
[7]	车吉斌, 王常龙, 贾岩, 任紫正, 刘春恒, 周峰. 外辐射源雷达互模糊函数智能快速计算方法[J]. 西安电子科技大学学报, 2023, 50(6): 21-33.
[8]	陈振,李翠芸,李想. B样条曲面三维扩展目标跟踪算法[J]. 西安电子科技大学学报, 2023, 50(2): 101-111.
[9]	秦宁宁,张臣臣. 模糊聚类下的接入点选择匹配定位算法[J]. 西安电子科技大学学报, 2022, 49(4): 71-81.
[10]	王朝宇,郭继昌,王天保,郑司达,张怡. 融合显著性信息的水下图像清晰化算法[J]. 西安电子科技大学学报, 2022, 49(3): 137-146.
[11]	闫玺玺,赵强,汤永利,李莹莹,李静然. 支持灵活访问控制的多关键字搜索加密方案[J]. 西安电子科技大学学报, 2022, 49(1): 55-66.
[12]	张春祥,周雪松,高雪瑶,刘欢. 融合k均值聚类与LSTM网络的半监督词义消歧[J]. 西安电子科技大学学报, 2021, 48(6): 161-171.
[13]	张佳琦,陶海红,张修社,韩春雷. 一种利用量测空间聚类的多帧检测前跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 231-238.
[14]	闫群民,马瑞卿,马永翔,王俊杰. 一种自适应模拟退火粒子群优化算法[J]. 西安电子科技大学学报, 2021, 48(4): 120-127.
[15]	王波,邓科. DB-SMOTE及多层堆叠用于心律失常识别[J]. 西安电子科技大学学报, 2021, 48(4): 136-143.

一种改进的粒子群优化快速聚类算法

Improved PSO-based fast clustering algorithm

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0