基于改进RNA遗传算法的聚类分析研究及应用

摘要

随着人工智能的发展和大数据时代的到来，数据资源呈爆炸式增长，数据处理离不开数据挖掘，而数据挖掘中非常关键的工具即为聚类分析，它作为数据挖掘的主要工具，已经活跃在各大领域。目前已经出现了很多聚类方法，但是每一种聚类算法都不是十全十美的，仍有可以改进的空间，除了可以对算法本身进行改进之外，还可以运用一些特定的优化算法来进行优化，弥补算法本身的缺陷和不足。所以，本文选择了当前应用比较广泛的两种聚类分析方法，模糊 C 均值聚类（FCM）和密度峰值聚类（DPC），作为主要的研究内容，并且借助了RNA遗传算法（RNA-GA）来对这两种聚类算法进行了优化，以下为本文的主要研究工作。 提出了一种自适应的RNA遗传算法（ARNA-GA）。在新的选择操作中，引入了惩罚系数d，保证种群中后d%的个体不会留存至下一代，从而引导解空间向最优解空间靠近；设计了新的交叉操作和变异操作，改进了 RNA-GA 中的单一操作；针对交叉和变异操作，设计了自适应策略，即引入相异度系数的概念，在判断个体差异较大时进行交叉操作，相反，进行变异操作，可减少算法的计算量，防止出现冗余操作，提高收敛速度。最后，用四个标准测试函数对算法的性能进行了评估，证明了算法的有效性。 提出了一种基于自适应 RNA 遗传算法的核模糊 C 均值聚类算法（ARNAGA-KFCM）。首先，提出了一种核模糊C均值聚类算法（KFCM），即引入高斯核函数来替代原始FCM 中的距离计算方法，改善了 FCM对孤立点和噪声点敏感的问题；将新提出的ARNA-GA 和 KFCM 进行结合，用改进的ARNA-GA来优化模糊C均值聚类的初始聚类中心，然后再运用KFCM算法来执行聚类，打破了原始 FCM 聚类算法受初始聚类中心影响的问题，并且因为RNA-GA本身就是一种带搜索策略的寻优算法，可以指导FCM算法跳出局部最优。最后，用四种UCI数据集验证了ARNAGA-KFCM的有效性，通过和FCM、KFCM进行对比，证明了本文新提出算法的优越性。 提出了一种基于自适应 RNA 遗传算法的K 近邻密度峰值聚类算法（ARNAGA-KNN-DPC）。首先，改进了DPC算法，采用了 K近邻的思想，改善了原算法中局部密度ρi的计算，使得局部密度的计算不再受截断距离dc的影响；将新提出的自适应RNA遗传算法和基于K近邻的密度峰值聚类算法进行结合，用改进的RNA遗传算法来寻找局部密度ρ和相对距离δ的阈值，因为根据 密度峰值聚类的思想，ρ值和δ值均大的点才是聚类中心，根据ARNA-GA寻优的阈值，我们可以很容易的确定出聚类中心，解决了原始DPC算法确定聚类中心困难的问题。最后，用 UCI 数据集和合成数据集验证了算法的性能，并且和当前比较热门Min_Max_SD以及K-means进行了对比分析，证明了本文提出的ARNAGA-KNN-DPC算法的有效性。 本文提出的算法是从理论可行性的角度出发，提出了算法的改进思路，并且通过MATLAB仿真实验证明了算法的有效性；从应用的角度出发，将本文提出的ARNAGA-KFCM算法应用到文本分类的实验中，其中，文本取自搜狗实验室的真实数据库，结果证明，本文提出的算法不仅在理论上是可行的，在应用上也能收获很好的效果，有一定的实用价值。

目录

第一个书签之前