推荐 l 基于粒子群优化的模糊C均值聚类算法

随着大数据、云计算等技术的迅猛发展，聚类分析已成为数据挖掘的主要研究手段之一。为符合人类的认知，研究员将模糊集理论引入聚类分析中，提出了模糊C均值聚类算法(Fuzzy C-means Clustering Algorithm，FCM)。经典FCM 算法由于是一种局部最优搜索算法，存在对初始聚类中心敏感、易于陷入局部最优解的缺陷，限制了算法的应用。因此，学者尝试通过各种智能算法对经典FCM 算法进行改进。粒子群优化算法(Particle Swarm Optimization, PSO)作为群体智能算法的代表，依靠个体之间的简单交互作用在群体内自组织搜索，具有很强的学习能力和适应性。一些学者利用PSO算法克服传统FCM算法的缺陷，将PSO算法与FCM算法融合已成为近年来的研究热点。

为克服FCM算法缺陷，提高聚类质量，本文对基本粒子群聚类算法进行改进，并与FCM算法结合，提出了一种改进的粒子群优化模糊C均值聚类算法（Improved Fuzzy C-mean Clustering Algorithm Based on Particle Swarm Optimization，IFCM-PSO）。首先通过选择合理的粒子初始化空间，降低对初始聚类中心的敏感度，提高收敛速度；其次通过优化参数粒子运动最大速度以及引入环形拓扑结构的邻域，解决粒子群聚类算法易早熟收敛的缺陷。选取UCI 数据库中3个真实数据集IRIS、WINE和Breast Cancer Wisconsin (BCW)进行仿真实验，以验证该算法的有效性。

《信息技术与网络安全》第八期精品文章推荐：

基于粒子群优化的模糊C均值聚类算法*

摘要：针对模糊C均值聚类算法(FCM)存在对初始聚类中心敏感，易陷入局部最优解的不足，将改进的粒子群聚类算法与FCM算法相结合，提出了一种基于粒子群优化的模糊C均值聚类算法。该算法对粒子群初始化空间及粒子移动最大速度进行优化，同时引入环形拓扑结构邻域，提高粒子群聚类算法的全局搜索能力。对UCI中3个数据集进行仿真实验，结果表明提出的基于粒子群优化的模糊C均值聚类算法相比FCM算法和基本粒子群聚类算法具有更好的聚类效率和准确性。

关键词：聚类粒子群优化模糊C均值聚类算法粒子群聚类算法

中图分类号：TP301

文献标识码：A

DOI：10.19358/j.issn.2096-5133.2018.08.009

中文引用格式：王宇钢.基于粒子群优化的模糊C均值聚类算法［J］.信息技术与网络安全，2018,37（8）：36-39,44.