基于免疫遗传算法和粒子群算法的聚类研究

摘要

随着信息科学技术的发展，人们越来越倾向于选择用计算机来统计和管理数据，数据库的规模也随之不断地扩大。当人们积累了大量的商业数据以后，如何从汪洋大海般的数据中发现有价值的信息成为一个急需解决的重要问题。由此数据挖掘技术应运而生，它是目前数据库和信息决策领域最前沿的研究方向之一。聚类分析作为数据挖掘的一个重要分支，是通过分析数据的相似性把大型数据集合划分成组，使得同一个组里面的数据彼此最为相似，而不同组中的数据彼此相异。聚类是发现有用信息的一种有效手段。目前，聚类分析已经广泛地应用于模式识别，数据分析，图像处理以及市场研究等领域。
　　 目前在文献中存在大量的聚类算法。算法的选择取决于数据的类型、聚类的目的和应用。本文探讨了基于免疫遗传算法和基于粒子群算法的C-均值聚类方法。所做的主要工作如下：
　　 1.用免疫遗传算法完成聚类工作。首先，分析现有遗传算法的优缺点，将免疫机制引入遗传算法，用来克服了标准遗传算法的早熟现象；其次，将C—均值算法和免疫遗传算法有机结合，形成一种混合算法；最后，根据聚类问题的实际情况设计遗传选择、交叉和变异算子，使得混合算法更快、更有效地收敛到全局最优解。
　　 2.用改进后的粒子群算法实现聚类。首先，分析现有粒子群算法的优缺点；其次，将局部搜索能力强的C—均值算法和基于遗传算法的交叉、变异操作同时结合到粒子群算法中；最后，通过适当调节，发挥各自的优点。既提高了PSO算法的局部搜索能力，又因为增加了种群的多样性，防止了算法的早熟。
　　 3.将改进后的算法选择一些数据集用MATLAB编程做聚类实验，并与其他算法结果进行对比，分析试验结果。

目录

文摘

英文文摘

声明

第一章 绪论

1.1研究的背景和意义

1.2国内外研究现状

1.2.1数据挖掘的研究现状

1.2.2聚类的研究现状

1.3本文所做的工作

1.4本文的内容组织

第二章 聚类

2.1聚类概述

2.1.1聚类的概念

2.1.2聚类的步骤

2.2聚类的相似度度量

2.2.1聚类分析中的数据类型

2.2.2样本间距离的计算

2.3评价标准

2.4常用的聚类算法

2.4.1常见的聚类算法间的关系

2.4.2几种常用的聚类算法的比较

2.4.3聚类算法中的划分方法

2.5聚类的应用

2.6本章小结

第三章 基于人工免疫机制的遗传算法的改进研究

3.1基本遗传算法

3.1.1遗传算法背景及研究现状

3.1.2遗传算法的求解过程

3.1.3遗传算法的优点

3.1.4遗传算法的不足之处

3.2生物免疫系统

3.2.1人工免疫系统概述

3.2.2生物免疫系统的结构和组成

3.2.3免疫细胞

3.2.4抗原与抗体

3.2.5免疫系统机制

3.3免疫遗传算法

3.4基于免疫遗传算法的模糊C均值聚类算法设计

3.4.1模糊C—均值算法简介

3.4.2模糊C—均值算法步骤

3.4.3算法设计

3.4.4仿真实验

3.5本章小结

第四章 改进的粒子群算法的聚类方法

4.1粒子群算法的研究背景

4.2粒子群算法原理

4.3基本粒子群算法

4.3.1算法描述

4.3.2参数设定

4.4改进的粒子群聚类算法

4.4.1粒子群算法的优缺点

4.4.2改进的粒子群聚类算法

4.5仿真实验

4.6本章小结

第五章 结论与展望

5.1结论

5.2展望

参考文献

致谢

附录(攻读硕士学位期间发表录用论文)