基于遺傳算法的k-means聚類挖掘方法的研究.pdf

1、數(shù)據(jù)挖掘是隨著信息技術(shù)不斷發(fā)展而形成的一門新學(xué)科，是信息處理和數(shù)據(jù)庫技術(shù)領(lǐng)域的一個新興的研究熱點。數(shù)據(jù)挖掘的任務(wù)是從海量數(shù)據(jù)中發(fā)現(xiàn)隱含的有用知識，為科學(xué)決策提供支持。 聚類分析是數(shù)據(jù)挖掘的一個非常重要的研究分支。聚類是一種無監(jiān)督的分類方法，目標(biāo)是在沒有任何先驗知識的情況下，將數(shù)據(jù)集劃分成不同的類，使得相同類中的對象盡可能相似，不同類中的對象盡可能相異。k—means算法作為聚類分析中的經(jīng)典算法現(xiàn)已被廣泛應(yīng)用在商務(wù)、市場分析、生物

2、學(xué)、文本分類等領(lǐng)域。然而，k—means算法具有對初始值敏感、易陷入局部極小值等缺點。針對這些缺陷，本文結(jié)合遺傳算法的思想，提出了一種基于遺傳算法和k—means算法的混合聚類方法，并通過仿真實驗驗證算法的有效性。 本文工作主要體現(xiàn)在以下幾個方面： 首先，詳細介紹了聚類分析技術(shù)，對現(xiàn)有的聚類算法進行了分類，分析了這些算法的優(yōu)缺點，并在此基礎(chǔ)上，重點研究了k—means算法。 其次，全面介紹了數(shù)據(jù)挖掘中的一個重要算

3、法—遺傳算法。對遺傳算法的特點、基本要素、工作流程等進行了詳細描述。 再次，基于遺傳算法和k—means算法的特點，提出了一種改進的遺傳k—means聚類算法，并從編碼方法、適應(yīng)度函數(shù)的構(gòu)造、選擇算子、交叉算子和變異算子的設(shè)計、k—means優(yōu)化操作等方面對提出的算法進行了詳細描述。 最后，為了測試本文提出的聚類算法的性能，本文用k—means算法和改進的算法進行了三組實驗，并對兩種算法的聚類結(jié)果進行比較，實驗結(jié)果表明本