Алгоритм дифференциальной кластеризации на основе элитарной стратегии

Рейтинг:   / 0
ПлохоОтлично 

Aвторы:

Сюнцзюнь Вень, Хунаньский университет международной экономики, г. Чанша, Хунань, КНР

Цюнь Чжоу, Хунаньский университет международной экономики, г. Чанша, Хунань, КНР

Шен Хуан, Хунаньский университет международной экономики, г. Чанша, Хунань, КНР

Реферат:

Цель. Кластерный анализ является не только важным направлением исследований в сфере интеллектуального анализа данных, но и важным средством и методом разделения данных или обработки пакетов. Исследование посвящено дальнейшему улучшению результативности алгоритма кластеризации и устранению существующих недостатков дифференциальной эволюции (DE). Результаты исследования предназначены для применения в кластерном анализе с целью получения лучшего эффекта кластеризации.

Методика. Проведены глубокие исследования DE-алгоритма и кластерного анализа, рассмотрено влияние метода k-средних, а также блок-схем и метода расчёта функции приспособленности. Проанализировано влияние различных дифференциальных операций на производительность.

Результаты. Во-первых, рассмотрены основные идеи и методы кластерного анализа и DE-алгоритма. Во-вторых, продемонстрирована реализация кластерного анализа улучшенным DE-алгоритмом. В-третьих, проведено экспериментальное моделирование кластерного анализа на четырех наборах смоделированных данных с помощью алгоритма кластеризации на основе DE-алгоритма с элитарной стратегией, что дало возможность проверить целесообразность и обоснованность нового метода.

Научная новизна. Разработан DE-алгоритм с элитарной стратегией для применения в кластерном анализе по методу k-средних. Так как DE-алгоритм представляет собой метод для поиска оптимального решения путем имитации естественного эволюционного процесса, его отличительной особенностью является его скрытый параллелизм и способность эффективно использовать глобальную информацию, таким образом, новый и улучшенный алгоритм более устойчив и может избежать попадания в ловушку локального оптимума и значительно усилить эффект кластеризации. Исследования этого аспекта ранее не проводились.

Практическая значимость. Применение элитарной стратегии DE-алгоритма может повысить эффективность и точность кластерного анализа по методу K-средних. Результат экспериментального моделирования показал, что новый метод, представленный в этой статье, значительно улучшил производительность оптимизации, что доказывает его целесообразность и эффективность.

Список литературы / References

1. Enmei Tu, Longbing Cao, Jie Yang and Nicola Kasabov, 2014. A novel graph-based K-means for nonlinear manifold clustering and representative selection. Neurocomputing, vol.143, no.2, pp. 109‒122.

2. Michio Yamamoto and Yoshikazu Terada, 2014. Functional factorial image-means analysis. Computational Statistics & Data Analysis, vol.79, no.11, pp. 133‒148.

3. Basu, M., 2014. Improved differential evolution for economic dispatch. International Journal of Electrical Power & Energy Systems, vol.63, no.12, pp. 855‒861.

4. Ali Wagdy Mohamed, 2014. RDEL: Restart differential evolution algorithm with local search mutation for global numerical optimization. Egyptian Informatics Journal, vol.15, no.3, pp. 175‒188.

5. Pratyay Kuila and Prasanta K. Jana, 2014. A novel differential evolution based clustering algorithm for wireless sensor networks. Applied Soft Computing, vol.25, no.12, pp. 414‒425.

6. Das, S., Konar, A., Chakraborty, U.K., 2005. Improved differential evolution algorithms for handling noisy optimization problems. In: IEEE. The 2005 IEEE Congress on Evolutionary Computation, vol.2, pp. 1691‒1698.

7. Qingya Zhou, 2014. The research of differential evolution under dynamic environment. Zhengzhou University, China.

8. Md Anisur Rahman and Md Zahidul Islam, 2014. A hybrid clustering technique combining a novel genetic algorithm with K-Means. Knowledge-Based Systems, vol.71, no.11, pp. 345‒365.

9. Grigorios Tzortzis and Aristidis Likas, 2014. The MinMax K-Means clustering algorithm. Pattern Recognition, vol.47, no.7, pp. 2505‒2516.

10. Velmurugan, T., 2014. Performance based analysis between K-means and fuzzy C-means clustering algorithms for connection oriented telecommunication data. Applied Soft Computing, vol.19, no.6, pp. 134‒146.

Files:
2016_02_Xiongjun
Date 2016-06-21 Filesize 1.27 MB Download 324

Посетители

2075981
Сегодня
За месяц
Всего
44
2232
2075981

Гостевая книга

Если у вас есть вопросы, пожелания или предложения, вы можете написать их в нашей «Гостевой книге»

Регистрационные данные

ISSN (print) 2071-2227,
ISSN (online) 2223-2362.
Журнал зарегистрирован в Министерстве юстиции Украины.
 Регистрационный номер КВ № 17742-6592ПР от 27.04.2011.

Контакты

49000, г. Днепропетровск,
пр. К. Маркса 19, корп. 3, к. 24а
Тел.: 47-45-24
e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Вы здесь: Главная Архив журнала по разделам IT-технологии Алгоритм дифференциальной кластеризации на основе элитарной стратегии