基于AFSA的聚類算法研究及應(yīng)用.pdf

1、聚類分析既是一種重要的數(shù)據(jù)挖掘技術(shù)，又是數(shù)據(jù)挖掘的一個重要步驟。聚類的任務(wù)是把數(shù)據(jù)集中的對象劃分成不同的子類，同一子類中的對象具有很強的相似性。不同子類之間的對象不相似。本文重點介紹了聚類分析常用的方法，介紹了一種新的群體智能技術(shù):人工魚群算法，并且研究了人工魚群算法在聚類分析中的應(yīng)用，結(jié)合 k means?算法提出了基于人工魚群的聚類分析方法。同時探討了新算法在區(qū)域經(jīng)濟分析中的應(yīng)用。
　　本文第三章介紹了基本人工魚群算法，并在步

2、長及覓食行為這兩方面對基本人工魚群算法做出了改進，提出一種改進的人工魚群算法(IAFSA)。IAFSA算法將基本人工魚群算法中的隨機步長改為根據(jù)目標人工魚與自身的食物濃度之差的大小決定前進步長的大小。設(shè)定評價函數(shù)，當食物濃度之差大于評價函數(shù)時，說明目標人工魚處的食物濃度較大，則朝該目標人工魚方向前進較大步長，否則，前進較小步長。同時，在覓食行為描述中，當嘗試最大試探次數(shù)以后仍然不能找到狀態(tài)有所改進的前進方向時，以一定的概率朝當前公告板記

3、錄的最優(yōu)人工魚方向前進一步。
　　本文第四章為了解決 k means?算法中，對初始聚類中心點比較敏感的問題，提出了基于人工魚群算法的聚類分析算法(KM AFSA?)。算法首先在聚類空間中均勻設(shè)置 n條人工魚，執(zhí)行改進的人工魚群算法，得到 k means?算法的初始聚類中心。通過人工魚群算法與 k means?算法的結(jié)合，改進了k means?算法的一些不足之處。
　　本文最后探討了區(qū)域經(jīng)濟分析的常用方法，重點研究了聚類分析