基于遗传算法的k-means聚类方法的研究

《基于遗传算法的k-means聚类方法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、河海大学硕士学位论文基于遗传算法的k-means聚类方法的研究姓名：金微申请学位级别：硕士专业：通信与信息系统指导教师：陈慧萍20070301河海大学顽L生论文摘要摘要近年来数据挖掘引起了信息产业界的广泛关注，其主要原因是存在大量的可用数据，并且迫切需要将这些数据转换成有用的信息和知识。通过数据挖掘，可以将知识发现的研究成果应用于实际数据处理中，为科学决策提供支持。聚类分析是数据挖掘的一项基本任务，是一个无监督的学习过程，聚类的目标是在没有任何先验知识的前提下，将数掘聚集成不同的类，使得相同类中的对象尽可能相似，不同类中的对象差别尽可能

2、大。通过聚类，人们能够识别密集的和稀疏的区域，因而发现全局的分布模式，以及数据属性之『日J有趣的相互关系。在聚类分析中，k．means算法可以说是应用较为广泛的一种算法，但它的一个致命弱点是对初始值非常敏感而且容易陷入局部极小值，而遗传算法是一种通过模拟自然进化过程搜索最优解的方法，其显著特点是隐含并行性和对全局信息的有效利用能力，因此产生了基于遗传算法的k-meam聚类方法(GKA)，它既能发挥遗传算法的全局寻优能力，又能兼顾k-means算法的局部搜索能力，从而更好地解决聚类问题，但其收敛速度与k-means算法相比就比较慢。本文以

3、进一步提高算法收敛速度为目的，提出了一种改进的遗传k-means遗传算法。该算法是以GKA算法为基础，在允许个体包含空类的

4、i{『提下对算法的各项操作作出改进；同时添加了增量式操作，对类中心和目标函数可以增量式计算，使算法的收敛速度得到了提高。本文还设计了一个聚类分析系统，利用该系统，经过实验验证基于遗传算法的k-means聚类方法的收敛效果要优于k-means算法；改进的GKA算法要比原GKA算法的收敛速度快，特别是当输入的变异概率比较小的时候，这种优势更明显。另外本文还提出将改进的GKA算法用于Web日志挖掘的用户聚类系统中。利用该

5、算法对Web用户进行聚类可以避免初始值对聚类结果的影响，并且能搜索到全局最优解，更好的为用户提供个性化服务以及对Web站点进行改进优化。关键词：数据挖掘：聚类：遗传算法；k-means算法；基于遗传算法的k-means聚类方法；河海大学硬十生论文Al：,slr鲥AbstractThemajorreasonthatdatamininghasattractedagreatdealofattentionintheinformationindustryin“：c砌yearsisduetothewideavailabilityofhugeamou

6、ntsofdataandtheimminentneedforturningsuchdataintousefulinformationandknowledge．Peoplecanapplytheresearchresultofknowledgediscoverytothedataprocessthatcansupportthesciencedeeision．Clusteranalysisisabasicassignmentofdataminingandakindofunsupervisedlearning．11begoalofcluste

7、ringistopartitiondatasetintosueladustersthatobjectswithinadusterhavehighsimilarityincomparisontooneanother,butaleverydissimilartoobjectsinotherdusterswithoutanypriorknowledge．Byclustering,Onecanidentitydenseandsparseregiolis,therefore，discoreroveralldistributionpatternsa

8、ndinterestingcorrelationsamongdataattributes．K-meansalgorithmisthemostwidespreadmethodindusteranalysis．Howeverits、ritalshortcomingisthesensibilitytDinitialvalue,itiseasyto册intoaloealoptimum．Geneticalgorithmisamethodofsearchingforbestsolutionbyimitatingllaturalevolution,i

9、tsnotablefeaturesa鹏implicitparallelismandcapacityofusingeffectiveglobalinformation．Soak-meansclustering