一种带克隆选择的粒子群动态聚类算法

山东大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (2): 12-17.

一种带克隆选择的粒子群动态聚类算法

范会联1,罗跃国2,李献礼2

长江师范学院 1. 数学与计算机学院; 2. 网络信息中心, 重庆 408100

收稿日期:2010-02-14 出版日期:2011-04-16 发布日期:2010-02-14
作者简介:范会联（1971- ），男，重庆石柱人，副教授，硕士，主要研究方向为软件工程、智能信息处理.Email:fhlmx@163.com
基金资助:
重庆市教委科学技术研究资助项目（KJ091309）

A dynamic clustering algorithm based on a particle swarm
optimization with clonal selection

FAN Hui-lian1, LUO Yue-guo2, LI Xian-li2

1. School of Mathematics and Computer; 2. Computer Network Information Center, Yangtze Normal University,
Chongqing 408100, China

Received:2010-02-14 Online:2011-04-16 Published:2010-02-14

摘要/Abstract

摘要：

针对聚类数不确定的高维、大规模数据聚类问题,提出以粒子群优化算法为基础、引入克隆选择算子的聚类分析算法。该算法利用粒子群的优化搜索机制搜索聚类中心向量,并根据适应度高低控制粒子的克隆数量和变异幅度,达到有效避免陷入局部最优的目的,并能克服传统聚类算法对初始值敏感的缺点,提高了算法的稳定性。仿真实验结果表明,该算法不仅能正确得出聚类簇数,而且聚类正确率较对比算法提高了至少7.0％。

关键词: 克隆选择, 粒子群, 聚类有效性, 亲合力

Abstract:

In order to achieve cluster analysis with highdimensional and unknown number of clusters, a new clustering algorithm based on a particle swarm optimization algorithm(PSO) with clonal selection operator was proposed. Directed by the nature of PSO, this new algorithm could randomly search the clusters centers, and control the clone numbers and variation range by affinity. This algorithm could also avoid being trapped in local optima and could overcome being sensitive to initialization. Experimental results on benchmark clustering problems showed that this new algorithm could adaptively determine the amount and the center’s positions of clustering. The results also showed that the average correct rate of the new algorithm was higher than the compared algorithm by at least 7.0%.

Key words: clonal selection, particle swarm, clustering validity, affinity

范会联1,罗跃国2,李献礼2. 一种带克隆选择的粒子群动态聚类算法[J]. 山东大学学报(工学版), 2011, 41(2): 12-17.

FAN Hui-lian1, LUO Yue-guo2, LI Xian-li2. A dynamic clustering algorithm based on a particle swarm
optimization with clonal selection[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2011, 41(2): 12-17.

参考文献

相关文章 15

[1]	梁蒙蒙,周涛,夏勇,张飞飞,杨健. 基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别[J]. 山东大学学报(工学版), 2018, 48(5): 77-84.
[2]	姬安召,王玉风,刘雪芬. 复合Bessel函数零点数值计算方法及分布规律[J]. 山东大学学报(工学版), 2018, 48(1): 71-77.
[3]	宋正强,杨辉玲,肖丹. 基于在线粒子群优化方法的IPMSM驱动电流和速度控制器[J]. 山东大学学报(工学版), 2018, 48(1): 112-116.
[4]	马汉杰,林霞,胥晓晖,张健,张智晟. 基于自适应粒子群算法的智能家居管理系统负荷优化模型[J]. 山东大学学报(工学版), 2017, 47(6): 57-62.
[5]	易云飞,苗剑,林郭隆,殷智. 基于牛顿力学和博弈论模型的粒子网络优化算法[J]. 山东大学学报(工学版), 2017, 47(1): 28-36.
[6]	范德斌,邓长寿,袁斯昊,谭旭杰,董小刚. 基于MapReduce模型的分布式粒子群算法[J]. 山东大学学报(工学版), 2016, 46(6): 23-30.
[7]	董红斌, 张广江, 逄锦伟, 韩启龙. 一种基于协同进化方法的聚类集成算法[J]. 山东大学学报(工学版), 2015, 45(2): 1-9.
[8]	戴红伟, 杨玉, 仲兆满, 李存华. 改进量子交叉免疫克隆算法及其应用[J]. 山东大学学报(工学版), 2015, 45(2): 17-21.
[9]	花景新, 薄煜明, 陈志敏. 基于改进粒子群优化神经网络的房地产市场预测[J]. 山东大学学报(工学版), 2014, 44(4): 22-30.
[10]	荆业飞1,张承慧1*,徐蓓蓓2，李珂1,褚晓广1. 基于阻抗匹配的小型风电系统功率输出优化方法[J]. 山东大学学报(工学版), 2013, 43(5): 39-43.
[11]	张飞,耿红琴. 基于混沌粒子群算法的车间作业调度优化[J]. 山东大学学报(工学版), 2013, 43(3): 19-22.
[12]	徐龙琴1,刘双印1,2,3,4*. 基于APSO-WLSSVR的水质预测模型[J]. 山东大学学报(工学版), 2012, 42(5): 80-86.
[13]	刘彬,张仁津. 一种采用两段粒子群优化的路径规划方法[J]. 山东大学学报(工学版), 2012, 42(1): 12-18.
[14]	陈明志1,2, 陈健3, 许春耀3, 余轮3, 林柏钢1,2. 一种新的基于网络虚拟环境的用户访问模式聚类算法[J]. 山东大学学报(工学版), 2011, 41(6): 43-49.
[15]	戴平,李宁*. 一种基于SVM的快速特征选择方法[J]. 山东大学学报(工学版), 2010, 40(5): 60-65.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed