摘要:该文针对K均值聚类算法存在的缺点,提出一种改进的粒子群优化(PSO)和K均值混合聚类算法。该算法在运行过程中通过引入小概率随机变异操作增强种群的多样性,提高了混合聚类算法全局搜索能力,并根据群体适应度方差来确定K均值算法操作时机,增强算法局部精确搜索能力的同时缩短了收敛时间。将此算法与K均值聚类算法、基于PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和收敛速度都有显著提高。
关键词:k均值算法 粒子群优化算法 随机变异 适应度方差
单位:哈尔滨工程大学信息与通信工程学院 哈尔滨150001 黑龙江科技学院数力系 哈尔滨150027
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社