[发明专利]基于引力搜索算法的数据聚类解获取方法及相关设备

说明书

本发明公开一种基于引力搜索算法的数据聚类解获取方法及相关设备，本发明为目标对象集合生成N个种群粒子，对种群粒子进行遍历，将遍历到的种群粒子作为粒子i；从目标种群粒子中选取一个作为粒子j，所述目标种群粒子为对粒子i产生粒子吸引力的种群粒子；计算粒子j在维度d上对粒子i的产生的粒子吸力；然后根据粒子吸力得到粒子i在维度d上的加速度，通过粒子吸力和加速度确定粒子i对应的新聚类解，并计算与新聚类解对应的均方量化误差值；在对种群粒子遍历结束时，分别统计各个群粒子对应的均方量化误差值，选取均方量化误差值最小的新聚类解作为目标对象集合的最优聚类解，进而能在引力搜索算法的应用过程中，准确地获取最优化的聚类解。

技术领域

本发明涉及计算机信息技术领域，尤其涉及一种基于引力搜索算法的数据聚类解获取方法及相关设备。

背景技术

数据聚类是数据挖掘的主要分析手段，广泛应用于模式识别、机器学习、图像分析以及生物信息领域，其主要目的是将原始数据对象集合根据某种特征划分为若干群组，即聚类。分类后数据对象，在同一聚类内的数据对象将具有尽可能多的相似性，而不同聚类间的数据对象将尽可能不相同。虽然数据聚类方法很多，但由于应用种类、数据类型以及聚类目标的不同，很难设计一种可满足所有数据类型的聚类方法。

目前，聚类方法有两种：分层型方法和分割型方法。分层型聚类方法递归地以凝聚模式(自底向上)或分裂模式(自顶向下)寻找数据聚类。凝聚方式从单个的聚类(由单个数据对象组成的聚类)中的每个数据对象开始，逐渐地将最相似的数据对象进行合并，直到满足终止条件；分裂方式则从一个聚类(整个数据对象形成的聚类)中的所有数据对象开始，重复地将聚类划分为更小的聚类，直到满足终止条件。分割式聚类方法同步寻找所有聚类，而无需形成层次结构。K均值方法是最为经典的分割式聚类方法，应该也是最为广泛。然而，该方法进行数据聚类时试图最小化聚类内的数据差异，但方法过分依赖于初始的质心状态，比较易于陷入局部最优。

群体智能方法也是解决数据聚类问题的一种方法，如遗传算法、蜂群算法等，然而，这些智能方法由于本身的不足以及处理数据聚类时可能陷入局部最优等仍然没有得到解决。引力搜索算法是目前解决连续最优化问题的较为流行的随机种群元启发式方法，该方法受牛顿的万有引力定理的启发，通过种群粒子位置的移动来寻找最优解，即：随着算法的循环，粒子根据它们之间存在的万有引力在搜索空间内不断运动，直到粒子移动到最优位置时，即找到最优解。引力搜索算法已被证明在搜索最优解的效率上已经超过同类智能群体算法。但是目前，引力搜索算法在应用过程中，由于粒子间的距离的度量与聚类间距度量的映射不够清楚，因此在引力搜索算法在应用过程中，如何获取最优化的聚类解是一个亟需解决的技术问题。

发明内容

本发明的主要目的在于提供了一种基于引力搜索算法的数据聚类解获取方法及相关设备，旨在解决在引力搜索算法在应用过程中，如何获取最优化的聚类解的技术问题。

为实现上述目的，本发明提供了一种基于引力搜索算法的数据聚类解获取方法，所述方法包括以下步骤：

为目标对象集合生成N个种群粒子，每个种群粒子表征所述目标对象集合的一种聚类解，所述N为正整数；

获取目标函数计算各个种群粒子的目标函数值，对各个目标函数值进行排序，从排序结果中获取最小目标函数值best(t)和最大目标函数值worst(t)；

对所述N个种群粒子进行迭代，获取当前迭代周期t内的引力系数G(t)；

将遍历到的种群粒子作为第一粒子i；从目标种群粒子中选取一个作为第二粒子j，所述目标种群粒子为对所述第一粒子i产生粒子吸引力的种群粒子；

求取所述第一粒子i的适应度fit_i(t)，以及所述第二粒子j的适应度fit_j(t)；