在一些聚类问题上的智能优化算法研究

发布时间：2023-04-23 15:41

　　近年来,由于互联网的快速发展及数据库技术的普及,各种信息资源成指数级规模增长。传感和存储技术的广泛使用以及数字成像和视频监控等应用的急剧增长创造了许多高容量,高维度的数据集。人们迫切的需要在庞大的数据海洋中找到自己感兴趣的信息,帮助自己做出合理的决策。数据挖掘技术(Data Mining)就是在这种背景下被广泛研究并取得很大成功。聚类分析技术(Clustering Analysis)作为数据挖掘中十分强大的工具,受到人们越来越多的关注,其在图像处理,模式识别,机器学习,信息检索等诸多领域得到成功应用。聚类分析是根据“物以类聚”的思想,对样本或数据点进行分类的一种多元统计分析方法。聚类目标是将数据分类到不同的类或者簇的一个过程,满足同一个簇中的对象有很大的相似性,而不同簇间的对象有很大的相异性。本文重点研究了K-means等基于分区的聚类方法,但是K-means对初始解很敏感,并且很容易陷入局部最优,因此在本文中引入了几种智能优化算法来求解一些聚类问题。智能优化算法处理许多实际问题时可以在合理时间内得到质量不错的解。常用的智能优化算法包括贪心算法,爬山算法,模拟退火算法,遗传算法,禁忌搜...

【文章页数】：124 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究课题的背景
    1.2 聚类的定义
    1.3 常用聚类算法介绍
    1.4 聚类分析的研究进展
    1.5 智能优化算法介绍
    1.6 本文的主要工作介绍及结构安排
2 国内外相关研究综述
    2.1 带有容量限制的聚类问题研究现状
    2.2 网络上的最小平方和聚类问题研究现状
    2.3 平衡的最小平方和聚类问题研究现状
    2.4 本章小结
3 基于策略扰动的禁忌搜索算法求解带有容量限制聚类问题
    3.1 带有容量限制聚类问题概述
    3.2 禁忌搜索算法求解CCP
    3.3 计算结果
    3.4 算法分析
    3.5 本章小结
4 文化基因算法求解带有容量限制聚类问题
    4.1 文化基因算法
    4.2 实验结果
    4.3 算法分析
    4.4 本章小结
5 基于重构局部搜索的文化基因算法求解在网络上的最小平方和聚类问题
    5.1 问题描述
    5.2 文化基因算法求解E-MSSC
    5.3 计算实验
    5.4 算法分析
    5.5 本章小结
6 混合进化算法求解平衡最小平方和聚类问题
    6.1 问题描述
    6.2 混合进化算法求解BMSSC
    6.3 计算实验
    6.4 分析与讨论
    6.5 本章小结
7 总结与展望
    7.1 全文总结
    7.2 研究展望
致谢
参考文献
附录1 攻读学位期间发表论文目录
附录2 攻读博士学位期间参与的科研项目
附录3 算法实验结果附表



本文编号：3799995