[發(fā)明專(zhuān)利]一種數(shù)據(jù)聚類(lèi)處理方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010587823.4
• 申請(qǐng)日: 2020-06-24
• 公開(kāi)（公告）號(hào): CN111753905A
• 公開(kāi)（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 謝金柱;鄒國(guó)斌;耿蓉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 知舟信息科技（鎮(zhèn)江）有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/00
• 代理公司: 北京化育知識(shí)產(chǎn)權(quán)代理有限公司 11833
• 代理人: 尹均利

本發(fā)明涉及一種數(shù)據(jù)聚類(lèi)處理方法，屬于人工魚(yú)群算法領(lǐng)域，本發(fā)明包括對(duì)標(biāo)準(zhǔn)人工魚(yú)群算法(AFSA)的改進(jìn)與人工魚(yú)群算法(AFSA)和K?means算法混合進(jìn)行數(shù)據(jù)聚類(lèi)處理；針對(duì)K?MEANS算法存在初始聚類(lèi)中心點(diǎn)難以確定的缺陷，引入人工魚(yú)群算法；針對(duì)人工魚(yú)群算法中魚(yú)群在覓食行為中隨機(jī)性過(guò)大、聚群行為中圍繞最優(yōu)解以及追尾行為的盲目性問(wèn)題分別進(jìn)行改進(jìn)，減少了個(gè)體魚(yú)隨機(jī)搜索的迂回現(xiàn)象和追尾行為中的盲目性，并允許聚群行為中忽略擁擠度因子，達(dá)到快速收斂到全局最優(yōu)解。

技術(shù)領(lǐng)域

本發(fā)明涉及人工魚(yú)群算法技術(shù)領(lǐng)域，具體為一種數(shù)據(jù)聚類(lèi)處理方法。

背景技術(shù)

聚類(lèi)是一種常用的數(shù)據(jù)挖掘方法，在進(jìn)行數(shù)據(jù)挖掘前，數(shù)據(jù)庫(kù)本身大量的數(shù)據(jù)雜亂無(wú)章，數(shù)據(jù)的性質(zhì)、類(lèi)型、表達(dá)方式千差萬(wàn)別，為了將這些復(fù)雜的數(shù)據(jù)簡(jiǎn)約化、明晰化，需要使用聚類(lèi)來(lái)梳理數(shù)據(jù)，以便根據(jù)需求快速地篩選出所需數(shù)據(jù)，只對(duì)有需求的數(shù)據(jù)進(jìn)行儲(chǔ)存和管理，并且在實(shí)際應(yīng)用中還可根據(jù)需求對(duì)數(shù)據(jù)處理對(duì)象進(jìn)行快速響應(yīng)和改變，為使用者的各種經(jīng)營(yíng)活動(dòng)提供重要的參考信息，滿(mǎn)足客戶(hù)實(shí)際需求；

聚類(lèi)的數(shù)學(xué)描述如下：

令S＝{x₁，x₂，x₃，...，x_n}表示為數(shù)量為n個(gè)對(duì)象的集合，x_i表示集合中第i個(gè)對(duì)象，

D_k表示第k個(gè)簇(k＝{1，2，3，...，m})，用R(x_i，x_j)表示兩個(gè)對(duì)象問(wèn)的相似性，則每一個(gè)簇需要滿(mǎn)足下列條件：

但是目前廣泛使用的K-MEANS算法存在初始聚類(lèi)中心點(diǎn)難以確定的缺陷，影響力實(shí)際工作效率，因此針對(duì)此缺陷引入人工魚(yú)群算法，而魚(yú)群存在有覓食行為中隨機(jī)性過(guò)大、聚群行為出現(xiàn)的迂回問(wèn)題以及追尾行為的盲目性問(wèn)題，需針對(duì)性進(jìn)行改進(jìn)。

發(fā)明內(nèi)容

針對(duì)K-MEANS算法存在初始聚類(lèi)中心點(diǎn)難以確定的缺陷問(wèn)題，本發(fā)明公開(kāi)了一種數(shù)據(jù)聚類(lèi)處理方法。

本發(fā)明技術(shù)方案是：一種數(shù)據(jù)聚類(lèi)處理方法，包括如下步驟：

(1)設(shè)定種群數(shù)量n，視野visual，步長(zhǎng)step，嘗試次數(shù)try，擁擠度因子，迭代次數(shù)T，目標(biāo)函數(shù)f(x)，交叉概率C；

(2)初始化人工魚(yú)群；

(3)按個(gè)體魚(yú)當(dāng)前狀態(tài)的適應(yīng)度值進(jìn)行排序分為優(yōu)秀組G和懈怠組W，并以公式計(jì)算步長(zhǎng)step、視野visual，根據(jù)分組不同計(jì)算嘗試次數(shù)try；

(4)進(jìn)行追尾和聚群行為；

(5)比對(duì)追尾行為和聚群行為產(chǎn)生的適用度值，擇優(yōu)選擇，跳轉(zhuǎn)至步驟(6)；若未找到，則進(jìn)入覓食行為向周遭嘗試，若有較優(yōu)狀態(tài)則向其移動(dòng)，若達(dá)到嘗試次數(shù)try，則令flag_i為個(gè)體魚(yú)i的歷史移動(dòng)標(biāo)志位，并記錄該個(gè)體探查到的歷史最優(yōu)狀態(tài)，通過(guò)歷史標(biāo)志位和歷史較優(yōu)狀態(tài)的記錄，對(duì)在局部較優(yōu)狀態(tài)處迂回的個(gè)體魚(yú)進(jìn)行標(biāo)記，不再向該方向移動(dòng)，而隨機(jī)選擇其他方向，直到找到優(yōu)于記錄的歷史較優(yōu)狀態(tài)；

(6)將個(gè)體魚(yú)執(zhí)行行為所得到的結(jié)果與公告板上的歷史最大適應(yīng)度值相比，若大于公告板所記錄則進(jìn)行替換，否則保持；

(7)判斷是否得到目標(biāo)解，若得到則轉(zhuǎn)向步驟(9)，若沒(méi)有則繼續(xù)迭代；

(8)判斷迭代是否達(dá)到上限，若是轉(zhuǎn)步驟(9)，若未迭代完成則轉(zhuǎn)步驟(3)；

(9)將當(dāng)前最優(yōu)解作為K-means算法的初始聚類(lèi)中心進(jìn)行數(shù)據(jù)處理；

(10)算法終止。

所述方法的具體步驟如下：