k均值課程設(shè)計(jì)---k均值聚類（k-means）優(yōu)化-全文預(yù)覽
【正文】 Cluster(int p) { int i。 iNI。 return distance。 for(i=0。而改進(jìn)的算法對(duì)每組數(shù)據(jù)集的 20次實(shí)驗(yàn)均能收斂到最優(yōu)解，聚類效果較好。 四、 實(shí)驗(yàn)結(jié)果與分析 為了檢驗(yàn)算法的有效性，對(duì)原始算法和改進(jìn)算法進(jìn)行了對(duì)比實(shí)驗(yàn)。 (4)進(jìn)行選擇、交叉、變異、 K均值操作，產(chǎn)生新一代群體。 6 循環(huán)終止條件 循環(huán)代數(shù)開始為 0，每循環(huán)一次，代數(shù)加 1，若當(dāng)前循環(huán)代數(shù)小于預(yù)先規(guī)定的最大循環(huán)代數(shù)，則繼續(xù)循環(huán)；否則結(jié)束循環(huán)。對(duì)于適應(yīng)度大的個(gè)體，賦予其相應(yīng)的交叉和變異概率，而對(duì)于適應(yīng)度小的個(gè)體，其交叉概率和變異概率較大，自適應(yīng)的交叉和變異概率能夠提供相對(duì)某個(gè)解最佳的 cp和 mp，使自適應(yīng)遺傳算法在保持群體多樣性的同時(shí)，保證算法收斂。 maxU， minU 交叉率和變異率的自適應(yīng)調(diào)整 標(biāo)準(zhǔn)的遺傳算法已經(jīng)被證明無法收斂到問題的全局最優(yōu)解 ，尤其是在種群分布不均勻時(shí)易出現(xiàn)未成熟收斂，即“早熟現(xiàn)象”，在進(jìn)化中后期由于個(gè)體競(jìng)爭(zhēng)減弱而引起的隨機(jī)搜索趨勢(shì)還會(huì)導(dǎo)致算法收斂速度緩慢，其原因是進(jìn)化算子在整個(gè)進(jìn)化過程中都采用了固定的概率值。由于本文染色體采用浮點(diǎn)數(shù)編碼，因此采用適合浮點(diǎn)數(shù)編碼的算術(shù)交叉算子，即 其 中， a是一個(gè) (0, 1)范圍內(nèi)的隨機(jī)數(shù)。本文采用式 (1)構(gòu)造適應(yīng)度函數(shù)，由于式 (1)的值越小說明聚類結(jié)果越好，越大說明聚類結(jié)果越差，因此選擇如下的適應(yīng)度函數(shù)： 其中， b為常數(shù)，可以根據(jù)具體問題作調(diào)整。這種基于聚類中心的編碼方式縮短了染色體的長度，提高了遺傳算法的速度，對(duì)于求解大量數(shù)據(jù)的復(fù)雜聚類問題效果較好。 1 染色體編碼 染色體編碼有很多種 ，在聚類分析中較常用的是基于聚類中心的浮點(diǎn)數(shù)編碼和基于聚類劃分的整數(shù)編碼。 (3)計(jì)算每個(gè)聚集的質(zhì)心 (聚集點(diǎn)的均值 )以及每個(gè)對(duì)象與這些中心對(duì)象的距離，并根據(jù)最小距離重新對(duì)相應(yīng)的對(duì)象進(jìn)行劃分。算法首先隨機(jī)選擇 K個(gè)對(duì)象，每個(gè)對(duì)象初始地代表了一個(gè)簇的平均值或中心，對(duì)剩余的每個(gè)對(duì)象根據(jù)其與各個(gè)簇中心的距離，將它賦給最近的簇，然后重新計(jì)算每個(gè)簇的平均值，不斷重復(fù)該過程，直到準(zhǔn)則函數(shù)收斂。在這一過程中，群體個(gè)體一代代地優(yōu)化并逐漸逼近最優(yōu)解。 遺傳算法是模擬生
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號(hào)-1