基于P系统的改进粒子群优化算法研究及其在聚类问题中的应用

摘要

膜计算又被成为膜系统或者P系统，它是一种具有分布式、极大并行性的计算模型，大量研究已表明，许多简单膜系统在理论上具有与图灵机同等的计算能力，鉴于该计算模型强大的并行计算能力，膜系统还有可能突破图灵机的局限性或取而代之。膜系统已经成为一个比较热门的研究领域，因此膜计算在各领域发展迅速。
　　聚类就是将一系列数据对象划分成多个组或者簇的数据处理过程，簇内数据相似性较高，簇间数据不相似。现如今，聚类分析已被应用到多个领域，比如机器学习，图像模式识别，市场分析等等。粒子群优化算法是一种随机优化算法，它通过模拟鸟类或者鱼类的觅食行为来完成自身的自我进化。作为一种基于群体智能算法，粒子群优化算法由于其参数少，且易于实现等优点，目前已被成功应用到多个领域，如数据聚类、模式识别、神经网络训练等等。但是粒子群优化算法仍然存着着自身难以克服的缺点，比如容易陷入局部最优，产生过早收敛等，为了改善这些缺点，提高算法性能，众多学者对其进行了改进。
　　本文针对粒子群优化算法进行了适当改进，加入远离最差这种思想来进行寻优，这种思路可以帮助提高种群的多样性，增强寻优能力。遗传算法的突变机制能够帮助很好的增加种群的多样性，通过把这种机制引入到改进的粒子群算法中，改善算法容易陷入局部最优的情况。在粒子群优化算法中，粒子位置的改变都是直接的，因此，我们通过借助模拟退火规则来对粒子速度的位置变化做出概率规定，借此提高种群的全局搜索能力。本文尝试在这些算法上对粒子群算法进行适当改进，之后将改进后的粒子群优化算法与膜系统结合，用进化算法替代膜规则，利用膜系统的交流规则来交流获得最优解，从而完成聚类问题。
　　Y通过将粒子群优化算法结合遗传算法的遗传机制以及模拟退火机制，对原粒子群算法全局搜索能力进行了改进，并且帮助改善容易陷入局部最优情况。本文将改进的粒子群优化算法结合膜系统，尝试用基于膜系统的粒子群优化算法算法进行聚类。并且针对现有聚类算法的一些问题，尝试用现有改进的膜进化方法进行改进，帮助进一步提高算法的性能。
　　客户关系管理是一种以客户为中心，以企业与外部交流为主导，以企业前端业务应用为主的一种管理模式。客户细分是客户关系管理的基础，它是将一个大的客户群或者消费者群体划分成若干个细分群体，群体中同属于一个细分群体的客户或者消费者的彼此间消费特性相似，从属于不同细分群体的客户或者消费者之间特性不同。借助数据挖掘的方法对既有客户进行细分，可以帮助企业更透彻的理解客户的行为特征，发现新的商业机会，减少对既有客户的营销成本，更好的满足消费者需求。本文研究和实现了用改进的K-means算法对旅游行业的客户进行客户细分，将不同需求的客户分为不同组，同组内的顾客对旅游的要求大致相似，不同组之间的顾客对旅游的需求则不同，帮助旅游企业更好的针对不同类游客的需求做出不同的安排，降低成本的同时获得最大的客户满意度，提高公司的效益和竞争力，帮助企业在日益激烈的市场竞争中立于不败之地。

目录

声明

第1章绪论

1 .1研究课题背景及意义

1 .2膜计算介绍

1 .3粒子群优化算法介绍

1 .4聚类算法国内外研究现状及趋势

1 .5粒子群聚类算法概述

1 .6论文研究内容及组织结构

第2章基于避免最差思想改进粒子群优化算法（MIPSO)

2.1标准粒子群优化算法

2. 2M IPSO算法描述

2 .3 MIPSO算法基本流程

2. 4 MIPSO算法性能分析

第3章一种基于P系统的改进粒子群聚类算法

3 .1基于模拟退火规则的MIPSO算法

3 .2划分聚类算法

3.3 一种基于P系统的粒子群聚类算法

3.4 MMIPSOPS聚类算法的验证仿真与分析

第4章一种基于P系统改进的K-means 聚类算法

4.1 K-means聚类

4 .2基于遗传机制的粒子群优化算法

4 . 3基于P系统改进的K-means聚类算法

4 .4改进K-means聚类算法的验证仿真与分析

第5章 基 于P系统改进的K-means 聚类算法在客户细分中的应用

5. 2 改进的K-means 聚类算法进行客户细分

5.3 本章小结

第6章总结与展望

6.1 总结

6.2未来的工作展望

参考文献

攻读硕士学位期间发表的论文及参与的科研项目

致谢