k均值課程設(shè)計---k均值聚類（k-means）優(yōu)化-預(yù)覽頁
【正文】 物在自然環(huán)境中的遺傳和進化過程而形成的一種自適應(yīng)全局優(yōu)化搜索算法。 聚類分析是指事先不知樣本的類別，而利用樣本的先驗知識來構(gòu)造分類器（無監(jiān)督學(xué)習(xí)） ，可以用兩個準(zhǔn)則來做 (1)聚類準(zhǔn)則函數(shù) ， (2)誤差平方和準(zhǔn)則（最常用的） 。算法以適應(yīng)度函數(shù)為依據(jù)，通過對群體個體施加遺傳操作實現(xiàn)群體內(nèi)個體結(jié)構(gòu)重組的迭代處理。算法以 K為參數(shù)，把 n個對象分為 K個簇，使簇內(nèi)具有較高的相似度，而簇間相似度較低。 (2)計算每個記錄與 K個聚類中心的距離，并將距離最近的聚類作為該點所屬的類 。算法具體步驟如下。初始的 3個聚類中心點為 (1, 2), (5, 4), (8, 7)，則染色體編碼為 (1, 2, 5, 4, 8, 7)。 3 適應(yīng)度函數(shù)的選取 適應(yīng)度通常用來度量群體中各個體在優(yōu)化計算中可能達(dá)到或接近于最優(yōu)解的優(yōu)良程度。 交叉操作 交叉操作是指對 2個相互配對的染色體按某種方式相互交換部分基因，從而形成 2個新的個體，提高遺傳算法的搜索能力。即 其中， r為 (0, 1)范圍內(nèi)的隨機數(shù)； ,分別是該基因位的數(shù)值上下限。f表示要交叉的 2個個體中較大的適應(yīng)度值； f表示群體中要變異個體的適應(yīng)度值。 由于 K均值具有較強的局部搜索能力，因此引入 K均值操作后，遺傳算法的收斂速度可以大大提高。 (3)計算群體各個體的適應(yīng)度。 (7)輸出聚類結(jié)果。根據(jù)表 1的實驗結(jié)果， K均值算法初始聚類中心的選取敏感性很大，容易陷入局部最小值，并不是每次都能得到最優(yōu)解，特別是對于 glass這種較高維度的數(shù)據(jù)集，沒有一次達(dá)到全局最優(yōu)解。 double distance = 0。 } distance = sqrt(distance)。 for(i=0。 j++) { instance[i].distance[j] = EuclidDistance(i,j,p)。 double min。 } for(i = 0。 for(j = 1。 } } cluster[index].push_back(i)。 i++) { for(j=0。（略） 迭代函數(shù) private void NextGeneration()。
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1