[发明专利]一种基于人工智能半监督聚类目标下的粒子群算法

说明书

本发明提供了一种基于人工智能半监督聚类目标下的粒子群算法，包括：S1、输入数据集合，随机选取K个元素作为聚类中心；S2、更新聚类中心，计算当前K值的自适应量，与上一次进行对比，保留自适应量较高的K值；S3、重复执行S1‑S2，直至得到最佳的K个聚类中心；S4、根据最佳的K个聚类中心，将粒子进行编码并初始化，获取个体最优和全局最优解；S5、将粒子进行动态聚类，获取粒子新的位置并判断是否需要更新；S6、对粒子其进行免疫扰动和混沌扰动处理；S7、计算当前粒子的个体最优解和全局最优解，与上次进行对比，判断是否更新个体最优解和全局最优解；S8、重复S5‑S7步，如果当前迭代次数达到预设值，退出算法。

技术领域

本发明涉及数据统计技术领域，特别涉及一种基于人工智能半监督聚类目 标下的粒子群算法。

背景技术

粒子群算法是通过模拟鸟群中个体之间相互协作的寻优能力，从而形成 的一种群智能优化算法，作为群智能算法的典型代表，粒子群优化算法已被 证明是一种有效的全局优化算法，原理简单、容易实现、参数少等优点，一 经提出就收到许多研究者的关注。母亲，该算法已经被广泛运用于工程优化、 图像处理、数据控制等领域。

传统粒子群算法优点较为明显，但是随着环境复杂度的增高，传统算法 在使用时，聚类中心敏感度提高，空聚类过多，类标号对聚类结果影响不足 等问题的表现也日趋严重。本文提出了一种改进算法，以半监督K均值聚类为 目标；首先以自适应K值的方式，随机的计算初始化聚类中心，并根据均值聚 类算法的需要编码成粒子，同时引入软性约束概念重新构造目标函数，最后 使用改进后的算法进行寻优。

本发明粒子群算法中，改进了自适应参数，引入了免疫扰动和混沌扰动 两种扰动方式，同时应用了退火策略和动态聚类策略，实验结果表明，该算 法在很大程度上解决了上述问题。

发明内容

在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式 部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所 要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要 求保护的技术方案的保护范围。

为至少部分地解决上述问题，本发明提供了一种基于人工智能半监督聚 类目标下的粒子群算法，包括：

S1、输入数据集合U，并在数据集合U中随机选取K个元素作为聚类中心；

S2、更新聚类中心，计算当前K值的自适应量，并与上一次K值的自适应 量进行对比，保留自自适应量较高的K值；

S3、重复执行S1-S2，直至得到最佳的K个聚类中心；

S4、根据得到的最佳的K个聚类中心，将粒子进行编码并归一化，然后获 取个体最优和全局最优解；

S5、将粒子进行动态聚类，获取粒子新的位置，并判断粒子位置是否需要 更新；

S6、选择粒子并对其进行免疫扰动和混沌扰动处理；

S7、计算当前粒子的个体最优解和全局最优解，与上次的个体最优解和全 局最优解进行对比，判断是否更新个体最优解和全局最优解；

S8、重复S5-S7步，如果当前迭代次数达到预设值，退出算法。

进一步地，所述S2中，通过以下公式进行更新聚类中心：