基于模拟退火粒子群算法的FCM聚类方法

doi:10.3778/j.issn.1002-8331.2008.30.052

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (30): 170-172.DOI: 10.3778/j.issn.1002-8331.2008.30.052

• 数据库、信号与信息处理 • 上一篇下一篇

基于模拟退火粒子群算法的FCM聚类方法

李丽丽¹,刘希玉²,庄波³

1.山东师范大学信息科学与工程学院，济南 250014
2.山东师范大学管理与经济学院，济南 250014
3.滨州学院计算机科学技术系，山东滨州 256603

收稿日期:2007-11-23 修回日期:2008-01-28 出版日期:2008-10-21 发布日期:2008-10-21
通讯作者: 李丽丽

Fuzzy C-means algorithm based on simulated annealing Particle Swarm Optimization

LI Li-li¹,LIU Xi-yu²,ZHUANG Bo³

1.School of Information Science and Engineering，Shandong Normal University，Jinan 250014，China
2.School of Management，Shandong Normal University，Jinan 250014，China
3.Department of Computer Science and Technology，Binzhou University，Binzhou，Shandong 256603，China

Received:2007-11-23 Revised:2008-01-28 Online:2008-10-21 Published:2008-10-21
Contact: LI Li-li

摘要/Abstract

摘要： 针对模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点，提出了一种基于模拟退火粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力和模拟退火算法跳出局部极值的能力，克服了模糊C-均值聚类算法的不足。实验表明，该算法有很好的全局收敛性，能够较快地收敛到最优解。

关键词: 聚类分析, 模拟退火算法, 粒子群优化算法, 模糊C-均值算法, 全局优化

Abstract: In order to overcome the defects of fuzzy C-means algorithm such as the local optima and sensitivity to initialization，a new fuzzy algorithm based on SA-PSO is put forward in this paper．The new algorithm makes use of the capacity of global search in PSO algorithm and the ability of jumping out of the local optima in SA，and solves the shortcomings of FCM.The experiment shows that the algorithm avoids the local optima and increases the convergence speed.

Key words: cluster analysis, simulated annealing, Particle Swarm Optimization（PSO）, fuzzy C-mean algorithm, global optimization

李丽丽¹,刘希玉²,庄波³. 基于模拟退火粒子群算法的FCM聚类方法[J]. 计算机工程与应用, 2008, 44(30): 170-172.

LI Li-li¹,LIU Xi-yu²,ZHUANG Bo³. Fuzzy C-means algorithm based on simulated annealing Particle Swarm Optimization[J]. Computer Engineering and Applications, 2008, 44(30): 170-172.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	马艳芳，李保玉，杨屹夫，冯翠英. 客户分类下生鲜配送两级路径问题与算法研究[J]. 计算机工程与应用, 2021, 57(20): 287-298.
[5]	童文林，陈德旺，黄允浒，吕宜生. 结合模拟退火与规则约简的模糊系统优化方法[J]. 计算机工程与应用, 2021, 57(16): 142-150.
[6]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[7]	安宁，江思源，唐晨，杨矫云. 融合单纯形映射与熵加权的聚类方法[J]. 计算机工程与应用, 2020, 56(9): 148-155.
[8]	衣俊艳，杜小鹏. 具有中心移动特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(24): 50-58.
[9]	禹忠，顾仁彬，范九伦. 基于LBT-SA的LoRaWAN信道接入方法研究[J]. 计算机工程与应用, 2020, 56(24): 95-101.
[10]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[11]	罗计根，杜建强，聂斌，李欢，聂建华，陈裕凤. 一种聚类欠采样策略的随机森林优化方法[J]. 计算机工程与应用, 2020, 56(22): 166-172.
[12]	马京晖，潘巍，王茹. 基于K-means聚类的三维点云分类[J]. 计算机工程与应用, 2020, 56(17): 181-186.
[13]	蒋世豪，江洪. 基于GDAL的遥感图像变化检测技术[J]. 计算机工程与应用, 2020, 56(16): 169-175.
[14]	贾露，张德生，吕端端. 物理学优化的密度峰值聚类算法[J]. 计算机工程与应用, 2020, 56(13): 47-53.
[15]	陈胜发，贾瑞玉. 基于残差和密度网格的簇心自确认聚类算法[J]. 计算机工程与应用, 2020, 56(12): 149-155.

基于模拟退火粒子群算法的FCM聚类方法

Fuzzy C-means algorithm based on simulated annealing Particle Swarm Optimization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics