基于初始中心优化的遗传K-means聚类新算法

被引：16

作者：

孙秀娟 ^{[1
]}

刘希玉 ^{[2
]}

机构：

[1] 山东师范大学信息科学与工程学院

[2] 山东师范大学管理学院

来源：

计算机工程与应用 | 2008年 / 23期

关键词：

聚类; K-means算法; 遗传算法;

D O I：

暂无

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

一个好的K-means聚类算法至少要满足两个要求:(1)能反映聚类的有效性,即所分类别数要与实际问题相符;(2)具有处理噪声数据的能力。传统的K-means算法是一种局部搜索算法,存在着对初始化敏感和容易陷入局部极值的缺点。针对此缺点,提出了一种优化初始中心的K-means算法,该算法选择相距最远的处于高密度区域的k个数据对象作为初始聚类中心。实验表明该算法不仅具有对初始数据的弱依赖性,而且具有收敛快,聚类质量高的特点。为体现聚类的有效性,获得更高精度的聚类结果,提出了将优化的K-means算法(PKM)和遗传算法相结合的混合算法(PGKM),该算法在提高紧凑度(类内距)和分离度(类间距)的同时自动搜索最佳聚类数k,对k个初始中心优化后再聚类,不断地循环迭代,得到满足终止条件的最优聚类。实验证明该算法具有更好的聚类质量和综合性能。

引用

页码：166 / 168+182 +182

页数：4

共 7 条

[1] K-MEANS算法中的K值优化问题研究 [J].

杨善林 ;

李永森 ;

胡笑旋 ;

潘若愚 .

系统工程理论与实践, 2006, (02) :97-101

[2] 基于佳点集遗传算法的聚类技术 [J].

苏守宝 ;

刘仁金 .

计算机应用, 2005, (03) :643-645

[3] 基于遗传算法的聚类分析 [J].

傅景广 ;

许刚 ;

王裕国 .

计算机工程, 2004, (04) :122-124

[4] 用遗传算法改进聚类分析中的K-平均算法 [J].

唐立新 ;

杨自厚 ;

王梦光 .

数理统计与应用概率, 1997, (04) :58-64

[5]

数据挖掘原理与算法[M]. 清华大学出版社 , 毛国君等编著, 2005

[6]

知识发现[M]. 清华大学出版社 , 史忠植著, 2002

[7]

An evolutionary technique based on K-Means algorithm for optimal clustering in R N[J] . Sanghamitra Bandyopadhyay,Ujjwal Maulik.Information Sciences . 2002 (1)

← 1 →