自适应K值的粒子群聚类算法

被引：10

作者：

白树仁 ^{[1
,2
]}

陈龙 ^{[2
]}

机构：

[1] 湖南大学湖南省超级计算长沙中心

[2] 湖南大学信息科学与工程学院

来源：

计算机工程与应用 | 2017年 / 16期

关键词：

粒子群聚类算法; K-means算法; 自适应K值; 收敛;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TP311.13 [];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 1201 ;

摘要：

传统K-means算法除了对初始聚类中心的选择非常敏感,易收敛到局部最优解外,还存在着K值难以确定的问题,不合适的K值往往会得到较差的聚类结果。而K值问题也是聚类分析中的一个重要的研究方向,在粒子群聚类算法的基础上,结合K-means算法,提出了自适应K值的粒子群聚类算法。当算法收敛时,可通过比较不同K值时全局最优适应度值之间的关系来决定K值的增大与减小。实验表明改进的算法可以有效指导K值的选取,并且具有较好的聚类效果。

引用

页码：116 / 120

页数：5

共 12 条

[1] 基于Pareto熵的多目标粒子群优化算法 [J].