新的混合小生境鱼群聚类算法

doi:10.3724/SP.J.1087.2012.02189

计算机应用 ›› 2012, Vol. 32 ›› Issue (08): 2189-2192.DOI: 10.3724/SP.J.1087.2012.02189

新的混合小生境鱼群聚类算法

王培崇¹,²,钱旭²,雷凤君²

1. 石家庄经济学院信息工程学院，石家庄 050031
2. 中国矿业大学(北京) 机电与信息工程学院，北京 100083

收稿日期:2012-02-13 修回日期:2012-03-29 发布日期:2012-08-28 出版日期:2012-08-01
通讯作者: 王培崇
作者简介:王培崇(1973-)，男，河北辛集人，副教授，博士，主要研究方向：智能信息处理、对等计算;
钱旭(1962-)，男，江苏南京人，教授，博士生导师，博士，主要研究方向：信息融合、智能信息处理;
雷凤君(1988-)，女，河南南阳人，硕士研究生，主要研究方向：智能信息处理。
基金资助:
河北省科技攻关项目(11213525D);石家庄经济学院博士科研基金资助项目

New clustering algorithm based on hybrid niching artificial fish swarm

WANG Pei-chong¹,²,QIAN Xu²,LEI Feng-jun²

1. School of Information Engineering, Shijiazhuang University of Economics, Shijiazhuang Hebei 050031, China
2. School of Mechanical Electronic and Information Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China

Received:2012-02-13 Revised:2012-03-29 Online:2012-08-28 Published:2012-08-01
Contact: WANG Pei-chong

摘要/Abstract

摘要： 针对K-Means算法对于初始k值较敏感和容易过早收敛的问题，提出基于人工鱼群机制的K-Means聚类算法(NAFS)。首先，利用先验知识随机产生待求解问题的若干个聚类中心，组成一个鱼群环境；其次，利用鱼群个体的协作、竞争机制寻找满意的结果。鉴于人工鱼群算法后期容易陷入局部最优，根据鱼群聚集度引入小生境算法，改善种群的多样性，提高了算法的求解精度。在KDDCUP99数据集上的实验结果表明，该算法具有较高的聚类精度，适用于高维数据的聚类问题。

关键词: 聚类, 人工鱼群算法, 小生境, 排挤机制, 聚集因子, 算法融合

Abstract: To correct the weakness such as sensitive to initial value of K, convergence untimely in K-Means algorithm, this paper presented an improved K-Means algorithm based on artificial fish school mechanism(NAFS). Firstly, priori knowledge is exploited to generate randomly some cluster centers for the problems to be solved, then composing the fish school environment. Secondly, the cooperation and competition mechanism of fish individuals is utilized to search satisfied outcome. In view of the deficiency that artificial fish school is prone to occur local optimum, niching algorithm is introduced according to the fish crowding density to ameliorate the diversity of population and improve its the solution accuracy. The results of experiments on KDDCUP99 show NAFS has higher clustering accuracy and is appropriate to solve clustering problems of high dimensionality.

Key words: clustering, Artificial Fish Swarm (AFS), niching, exclusion mechanism, crowding factor, algorithm fusion

中图分类号:

王培崇钱旭雷凤君. 新的混合小生境鱼群聚类算法[J]. 计算机应用, 2012, 32(08): 2189-2192.

WANG Pei-chong QIAN Xu LEI Feng-jun. New clustering algorithm based on hybrid niching artificial fish swarm [J]. Journal of Computer Applications, 2012, 32(08): 2189-2192.

参考文献

[1]傅德胜,周辰.基于密度的改进K均值算法及实现[J].JOCA, 2011,31(2):432-434. [2]KRISHMA K, MURTY M N. Genetic K-means algorithm[J].IEEE Transactions on System, Man, and Cybernetics: Part B, 1999,29(3):433-439. [3]高丽平,周雪燕,詹宇斌.流形上的非线性判别K均值聚类[J].JOCA, 2011,31(12):3247-3251. [4]LI M J, NG M K, CHEUNG Y-M, et al. Agglomerative fuzzy K-means clustering algorithm with selection of number of clusters[J].IEEE Transactions on Knowledge and Data Engineering, 2008, 20(11):1519-1534. [5]陶新民，徐晶，杨立标,等.一种改进的粒子群和K均值混合聚类算法[J].电子与信息学报,2010，32(1)：92-97. [6]张涤,杨艳,唐瑞雪.基于文化算法的混合聚类方法[J].计算机工程与应用,2009,45(4)：159-161. [7]曲良东,何登旭.一种混沌人工鱼群优化算法[J].计算机工程与应用,2010，46(22):40-42. [8]张红霞,罗毅,师瑞峰. 基于单纯形法的改进型人工鱼群算法[J].JOCA, 2011,31(5):1321-1323. [9]王兴伟,秦培玉,黄敏.基于人工鱼群的ABC支持型的QoS单播路由机制[J].计算机学报,2010,33(4)：718-723. [10]臧文科,刘希.基于人工鱼群算法的Web用户聚类分析[J].计算机工程与应用，2011,47(30):12-14. [11]厍向阳，朱命昊，赵亚敏.求解0/1背包问题的改进人工鱼群算法研究[J].计算机工程与应用,2011,47(21):43-46. [12]拓守恒,汪文勇.求解高维多模优化问题的正交小生境自适应差分演化算法[J].JOCA, 2011,31(4):1094-1098. [13]华杰,崔杜武.基于个体优化的自适应小生境遗传算法[J].计算机工程,2010, 36(1):194-196. [14]张宝吉.基于自适应小生境遗传算法的船型优化[J].计算机工程，2011,37(8):207-209. [15]李红婵,朱颢东.基于小生境遗传算法的排课问题研究[J].计算机工程,2011,37(16):194-196. [16]黄平,于金杨,元泳泉.一种改进的小生境多目标粒子群优化算法[J].计算机工程,2011,37(18):1-3.

新的混合小生境鱼群聚类算法

New clustering algorithm based on hybrid niching artificial fish swarm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	陈恒恒, 倪志伟, 朱旭辉, 金媛媛, 陈千. 基于聚类分析的差分隐私高维数据发布方法[J]. 计算机应用, 2021, 41(9): 2578-2585.
[2]	祝承, 赵晓琦, 赵丽萍, 焦玉宏, 朱亚飞, 陈建英, 周伟, 谭颖. 基于谱聚类半监督特征选择的功能磁共振成像数据分类[J]. 计算机应用, 2021, 41(8): 2288-2293.
[3]	曾祥银, 郑伯川, 刘丹. 基于深度卷积神经网络和聚类的左右轨道线检测[J]. 计算机应用, 2021, 41(8): 2324-2329.
[4]	戴嫣然, 戴国庆, 袁玉波. 基于肤色学习的多人脸前景抽取方法[J]. 计算机应用, 2021, 41(6): 1659-1666.
[5]	马建红, 曹文斌, 刘元刚, 夏爽. 基于功效特征的专利聚类方法[J]. 计算机应用, 2021, 41(5): 1361-1366.
[6]	李国荣, 冶继民, 甄远婷. 基于新的鲁棒相似性度量的时间序列聚类[J]. 计算机应用, 2021, 41(5): 1343-1347.
[7]	王治和, 常筱卿, 杜辉. 基于万有引力的自适应近邻传播聚类算法[J]. 计算机应用, 2021, 41(5): 1337-1342.
[8]	龙超奇, 蒋瑜, 谢雨. 基于峰值网格改进的小波聚类算法[J]. 计算机应用, 2021, 41(4): 1122-1127.
[9]	李杏峰, 黄玉清, 任珍文, 李毅红. 基于自适应邻域的鲁棒多视图聚类算法[J]. 计算机应用, 2021, 41(4): 1093-1099.
[10]	郭佳, 韩李涛, 孙宪龙, 周丽娟. 自动确定聚类中心的比较密度峰值聚类算法[J]. 计算机应用, 2021, 41(3): 738-744.
[11]	邹志文, 秦程. 基于k-means++的动态构建空间主题R树方法[J]. 计算机应用, 2021, 41(3): 733-737.
[12]	吕佳, 鲜焱. 结合改进密度峰值聚类和共享子空间的协同训练算法[J]. 计算机应用, 2021, 41(3): 686-693.
[13]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.
[14]	张恩, 李会敏, 常键. 可验证的隐私保护k-means聚类方案[J]. 计算机应用, 2021, 41(2): 413-421.
[15]	胡誉生, 何炳蔚, 邓清康. 混合视觉系统的运动物体检测和静态地图重建[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3332-3336.