使用模擬退火與貪心策略的平衡聚類算法的介紹

　　針對(duì)現(xiàn)實(shí) 應(yīng)用通常要求聚類的結(jié)果相對(duì)平衡的問題，提出了一種基于模擬退火與貪心策略的平衡聚類算法（BCSG），該算法包括基于模擬退火的初始點(diǎn)選擇算法（SACI）與基于貪心策略的平衡聚類算法（ BCGS）2個(gè)步驟，以提高平衡聚類算法的聚類效果與時(shí)間性能。首先基于模擬退火在數(shù)據(jù)集中快速定位出K個(gè)合適的數(shù)據(jù)點(diǎn)作為平衡聚類初始點(diǎn)，然后每個(gè)中心點(diǎn)分階段貪婪地將距離其最近的數(shù)據(jù)點(diǎn)加入簇中直至達(dá)到簇規(guī)模上限。在6個(gè)UCI真實(shí)數(shù)據(jù)集與2個(gè)公開圖像數(shù)據(jù)集上進(jìn)行的聚類對(duì)比實(shí)驗(yàn)結(jié)果表明：在簇?cái)?shù)目較大時(shí)相比Fuzzy C-Means聚類結(jié)果平衡度最高提升了50%以上;聚類結(jié)果的準(zhǔn)確率相比BalancedK-Means、BCLS兩個(gè)表現(xiàn)較好的算法平均提高了8個(gè)百分點(diǎn);算法時(shí)間復(fù)雜度也更低，在較大規(guī)模的數(shù)據(jù)集上運(yùn)行時(shí)間比BalancedK-Mcans最高減少了近40%。實(shí)驗(yàn)結(jié)果表明BCSG具有更佳的聚類效果和時(shí)間性能。

?

　　隨著知識(shí)化。智能化時(shí)代的到來，人們已經(jīng)認(rèn)識(shí)到，對(duì)現(xiàn)實(shí)中產(chǎn)生的數(shù)據(jù)利用數(shù)據(jù)挖掘算法可以從中挖掘未知知識(shí)來獲得巨大價(jià)值。聚類作為數(shù)據(jù)挖掘領(lǐng)域的-一個(gè)常用算法，也是機(jī)器學(xué)習(xí)中廣泛運(yùn)用的無監(jiān)督學(xué)習(xí)方法，它可以在無任何先驗(yàn)知識(shí)數(shù)據(jù)集中發(fā)現(xiàn)其潛在模式。自20世紀(jì)60年代至今，多種不同的聚類算法相繼被提出，包括K-Means‘s、層次聚類“、DBSCAN （ Density-Based Spatial Clustering ofApplications with Noise ） 、 Fuzzy C-Means（ FCM ） 、譜聚類141等，并被廣泛應(yīng)用到多個(gè)領(lǐng)域，如模式識(shí)別、圖像處理、信息檢索等