[发明专利]基于模糊C-均值算法和人工蜂群聚类算法的混合聚类算法

说明书

本发明涉及人工蜂群算法技术领域，具体涉及基于模糊C‑均值算法和人工蜂群聚类算法的混合聚类算法，该算法包括初始化阶段、引领蜂阶段、跟随蜂阶段和侦查蜂阶段，还包括如下步骤：步骤一：跟随蜂阶段结束后，判断当前算法是否是第一次循环；若是，则执行步骤二；若不是，则执行步骤三；步骤二：将当前的最优解作为模糊C‑均值聚类算法的初始聚类中心进行优化，若优化后的解的质量高于当前最优解，则用优化后的解代替当前最优解，否则放弃，同时相应蜜源的迭代次数加1，然后进入侦查蜂阶段；步骤三：判断最优解在跟随蜂阶段后是否发生改变；若是，则执行步骤二；若否，则进入侦查蜂阶段。本发明所提供的算法聚类准确率高、收敛速度快、寻优精度高。

技术领域

本发明涉及人工蜂群算法技术领域，具体涉及一种基于模糊C-均值算法和人工蜂群聚类算法的混合聚类算法。

背景技术

关于模糊C-均值算法：

1974年Dunn在Bezdek的研究基础上提出模糊C-均值(FCM)聚类算法，被广泛应用于地理空间信息、图像处理、数据挖掘等多个领域。模糊C-均值算法和硬C-均值算法的最大不同之处在于对象的隶属度问题，硬C-均值要求对象的隶属度只能是0，1两个值，而模糊C-均值允许对象的隶属度在[0，1]之间，也可以取0或1，模糊C-均值的这种特点使得对象拥有更大的灵活性，一个对象既可以属于C₁也可以属于C₂类，只是隶属程度不同而已。

模糊C-均值聚类算法的基本过程是：首先对数据集中对象的分布特点进行分析，根据对象的分布特点设定合适的聚类数目c和模糊指数m；然后从数据集中随机选择c个对象作为初始聚类中心；接下来进行循环迭代，得到划分矩阵，划分矩阵包含着各个对象对所有类的隶属度信息，通过划分矩阵和数据集确定新一代聚类中心；最后，当目标函数收敛达到收敛精度或者对象的隶属度保持稳定时，停止迭代，得到最终聚类中心，数据集根据划分矩阵完成了模糊划分。

模糊C-均值算法的目标函数定义如下：

d_ij＝||x_j-v_i|| (1.2)

其中，C＝{C₁，C₂，…，C_c}表示集合，d_ij是对象x_j到第i个子类的聚类中心的距离，U是一个n×c的划分矩阵，是U_ij的集合。u_ij表示第j个对象x_j对于第i类的隶属程序且u_ij∈[0，1]。u_ij满足如下约束条件：

同时，每一个对象对所有类的隶属度之和为1，即

公式中，m是模糊性参数，m∈[1，+∞)控制着算法的模糊程度：

m→1⁺时，u_ij→1或0，这个时候FCM算法就退化成了HCM算法；

m→+∞时，u_ij→1/c，这个时候FCM算法的聚类结果的模糊度处于最大状态，即m值增大则算法的模糊性增大。通常情况下m的值为2。

F(X，U，C)是类内误差加权平方和，FCM算法通过不断的迭代使目标函数F(X，U，C)最小化。

模糊C-均值算法的具体步骤如下：

Stepl：参数初始化。设定聚类数和模糊指数m(1＜m＜+∞)，通常情况下取值为2。初始化聚类中心，得到V⁽⁰⁾＝{v₁，v₂，…，v_c}。收敛精度ε(ε＞0)，迭代次数k＝0。