k均值課程設(shè)計---k均值聚類k-means優(yōu)化(存儲版)
【正文】 致算法收斂速度緩慢，其原因是進化算子在整個進化過程中都采用了固定的概率值。 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)。 四、 實驗結(jié)果與分析 為了檢驗算法的有效性，對原始算法和改進算法進行了對比實驗。 for(i=0。 iNI。 for(i = 0。 j K。 jcluster[i].size()。大量測試證明其不僅能夠得到全局最優(yōu)解，也能很好地解決 K均值聚類方法對初始聚類中心敏感的問題，為聚類分析 提供了一個新的思路。 iK。 min = instance[i].distance[0]。 int index。 int j。 表 1 K均值算法和 優(yōu)化后 算法的比較 五、部分代碼 在代碼中主要添加和修改幾個部分 算中心距離 private double EuclidDistance(int x,int y,int z) { int i。 (6)計算新一代群體的適應(yīng)度，以最大適應(yīng)度的最佳個體為中心進行 K均值聚類。然后按照新的聚類劃分，計算新的聚類中心，取代原來的編碼值。本文采用均勻變異算子，其具體操作過程是：對于每個變異點，從對應(yīng)基因位的取值范圍內(nèi)取一隨機數(shù)代替原有基因值。先將每個樣本隨機指派為某一類作為最初的聚類劃分，并計算各類的聚類中心作為初始個體的染色體編碼串，共生成 m個初始個體，由此產(chǎn)生第一代種群。 三、 基于遺傳算法的 K 均值聚類算法 本文將遺傳算法應(yīng)用到聚類分析中，把遺傳算法的全局優(yōu)化能力與聚類分析的局部優(yōu)化能力相結(jié)合來克服聚類算法的局部性，在種群進化過程中，引入 K均值操作，同時，為了避免早熟現(xiàn)象，在種群中采用自適應(yīng)方法動態(tài)調(diào)節(jié)交叉概率和變異概率，使其能夠隨適應(yīng)度自動改變。 二、 K 均值算法的基本思想 K均值算法是一種使用最廣泛的聚類算法。 模式識別課程設(shè)計報告 姓 名： 陳繼智 學(xué) 號
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1