基于多目标进化算法的多距离聚类研究

摘要

传统的聚类算法通常基于单一的距离度量而设计,如何将多种距离度量有机融合在一起是当前面临的一个挑战.提出了一种基于多目标进化算法的多距离度量聚类框架(multiobjective evolutionary multiple distance measure clustering,MOMDC),并使用欧氏距离和Path距离来设计实际框架.该框架将数据集分别用两种距离测度预聚类,而后将预聚类结果作合并,以降低问题的规模,分别计算子类间的两种距离关系;最后使用多目标进化算法在两种距离空间中并行聚类.在多目标进化算法设计中,使用实数—标签的编码方式来设计染色体,并且设计了基于两种距离测度的两个适应度函数对染色体进行评估.最终将MOMDC与其他几种经典算法在大量的数据集上进行实验对比.实验表明,该框架对不同分布的数据集均能取得良好的结果.