智能优化算法改进-K-means聚类种群初始化附Matlab代码

本文主要是介绍智能优化算法改进-K-means聚类种群初始化附Matlab代码,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

 

0引言

一、K-means聚类原理

二、K-Means聚类算法步骤

三、K-Means聚类原理图​编辑

四、K-means聚类改进智能优化算法种群初始化效果图

4.1  初始种群数据图

​4.2  K-means聚类结果图

4.2.1  根据K-means聚类原理聚类

 4.2.2  根据MATLAB自带kmeans函数聚类

 五、K-means聚类改进智能优化算法种群初始化Matlab部分代码


 

0引言

       智能优化算法种群初始化的改进是改进中常用策略,比如说混沌种群初始化、佳点集、精英反向学习策略等等,根据阅读文献,K-means聚类可以改进智能优化算法种群初始化,如SASSA,它的策略为K-means聚类种群+正余弦算法改进加入者策略+自适应策略扰动。

一、K-means聚类原理

        K-Means算法是一种典型的基于划分的聚类算法,也是一种无监督学习算法。K-Means算法的思想很简单,对给定的样本集,用欧氏距离作为衡量数据对象间相似度的指标,相似度与数据对象间的距离成反比,相似度越大,距离越小。预先指定初始聚类数以及个初始聚类中心,按照样本之间的距离大小,把样本集划分为个簇根据数据对象与聚类中心之间的相似度,不断更新聚类中心的位置,不断降低类簇的误差平方和(Sum of Squared Error,SSE),当SSE不再变化或目标函数收敛时,聚类结束,得到最终结果。K-Means算法的核心思想:首先从数据集中随机选取k个初始聚类中心eq?C_%7Bi%7D%20%2C1%5Cleq%20i%5Cleq%20k,计算其余数据对象与与聚类中心eq?C_%7Bi%7D的欧氏距离,找出离目标数据对象最近的聚类中心eq?C_%7Bi%7D,并将数据对象分配到聚类中心eq?C_%7Bi%7D所对应的簇中。然后计算每个簇中数据对象的平均值作为新的聚类中心,进行下一次迭代,直到聚类中心不再变化或达到最大的迭代次数时停止。空间中数据对象与聚类中心间的欧氏距离计算公式为:

9ce50be33a7046fc8ed53fd594419b9d.png

其中,eq?X为数据对象;eq?C_%7Bi%7D为第i个聚类中心;eq?m为数据对象的维度;eq?X_%7Bj%7Deq?C_%7Bij%7Deq?Xeq?C_%7Bi%7D的第eq?j个属性值。

二、K-Means聚类算法步骤

       K-means算法是典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标。

K-mean算法步骤如下:

1)随机选取K个样本为中心

2)分别计算所有样本到随机选取的K个中⼼的距离

3)样本离哪个中⼼近就被分到哪个中⼼

4)计算各个中⼼样本的均值(最简单的⽅法就是求样本每个维度的平均值)作为新的中心

5)重复(2)(3)(4)直到新的中⼼和原来的中⼼基本不变化的时候,算法结束

三、K-Means聚类原理图c871861e3ae4446a953eb8c5e7bada36.png

四、K-means聚类改进智能优化算法种群初始化效果图

4.1  初始种群数据图

clc;
clear;
close all;
dim=2;%问题维度
pop=200;%种群数量
x_lower = 20e-9;            % 搜索变量x范围下限
y_lower = 0.55;             % 搜索变量y范围下限
x_upper = 500e-9;           % 搜索变量x范围上限
y_upper = 1;                % 搜索变量y范围上限
for i = 1:popdata(i, 1) = x_lower + (x_upper - x_lower) * rand;data(i, 2) = y_lower + (y_upper - y_lower) * rand;  %初始化种群
end

01cdfbad632746e3ac83ca0434e4a8e4.png4.2  K-means聚类结果图

4.2.1  根据K-means聚类原理聚类

聚类数为4时聚类结果:

e870f9e5cdf24a2cb68857762d86d0fc.png

 聚类数为5时聚类结果

f97282af14aa4d34a1631cff53d4e2f2.png

 聚类数为6时聚类结果

5253bf925ac94ae69e2479b811c4256b.png

 4.2.2  根据MATLAB自带kmeans函数聚类

 聚类数为4时聚类结果:

714b04051011492d87144847342a979f.png

 聚类数为5时聚类结果:

f73b451a28a7478aaed4b70a75c4fde1.png  聚类数为6时聚类结果:

276054304e5344c8a3b956fb0fca4451.png

 五、K-means聚类改进智能优化算法种群初始化Matlab部分代码

clc;
clear;
close all;
dim=2;%问题维度
pop=200;%种群数量
x_lower = 20e-9;            % 搜索变量x范围下限
y_lower = 0.55;             % 搜索变量y范围下限
x_upper = 500e-9;           % 搜索变量x范围上限
y_upper = 1;                % 搜索变量y范围上限
for i = 1:popdata(i, 1) = x_lower + (x_upper - x_lower) * rand;data(i, 2) = y_lower + (y_upper - y_lower) * rand;  %初始化种群
end
%% 原理推导K均值
[m,n]=size(data);
cluster_num=6;
cluster=data(randperm(m,cluster_num),:);......%% 画出聚类效果
figure(2)
subplot(2,1,1)
a=unique(index_cluster); %找出分类出的个数
C=cell(1,length(a));
for i=1:length(a)C(1,i)={find(index_cluster==a(i))};
end
for j=1:cluster_numdata_get=data(C{1,j},:);scatter(data_get(:,1),data_get(:,2),100,'filled','MarkerFaceAlpha',.6,'MarkerEdgeAlpha',.9);hold on
end
sc_t=mean(silhouette(data,index_cluster'));
title_str=['K均值聚类','  聚类数为:',num2str(cluster_num),'  SC轮廓系数:',num2str(sc_t)];

 

 

 

 

 

 

这篇关于智能优化算法改进-K-means聚类种群初始化附Matlab代码的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/199455

相关文章

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述:为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模

Java的栈与队列实现代码解析

《Java的栈与队列实现代码解析》栈是常见的线性数据结构,栈的特点是以先进后出的形式,后进先出,先进后出,分为栈底和栈顶,栈应用于内存的分配,表达式求值,存储临时的数据和方法的调用等,本文给大家介绍J... 目录栈的概念(Stack)栈的实现代码队列(Queue)模拟实现队列(双链表实现)循环队列(循环数组

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》:本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分

Java数组初始化的五种方式

《Java数组初始化的五种方式》数组是Java中最基础且常用的数据结构之一,其初始化方式多样且各具特点,本文详细讲解Java数组初始化的五种方式,分析其适用场景、优劣势对比及注意事项,帮助避免常见陷阱... 目录1. 静态初始化:简洁但固定代码示例核心特点适用场景注意事项2. 动态初始化:灵活但需手动管理代

Python实现word文档内容智能提取以及合成

《Python实现word文档内容智能提取以及合成》这篇文章主要为大家详细介绍了如何使用Python实现从10个左右的docx文档中抽取内容,再调整语言风格后生成新的文档,感兴趣的小伙伴可以了解一下... 目录核心思路技术路径实现步骤阶段一:准备工作阶段二:内容提取 (python 脚本)阶段三:语言风格调

使用Java将DOCX文档解析为Markdown文档的代码实现

《使用Java将DOCX文档解析为Markdown文档的代码实现》在现代文档处理中,Markdown(MD)因其简洁的语法和良好的可读性,逐渐成为开发者、技术写作者和内容创作者的首选格式,然而,许多文... 目录引言1. 工具和库介绍2. 安装依赖库3. 使用Apache POI解析DOCX文档4. 将解析

QT进行CSV文件初始化与读写操作

《QT进行CSV文件初始化与读写操作》这篇文章主要为大家详细介绍了在QT环境中如何进行CSV文件的初始化、写入和读取操作,本文为大家整理了相关的操作的多种方法,希望对大家有所帮助... 目录前言一、CSV文件初始化二、CSV写入三、CSV读取四、QT 逐行读取csv文件五、Qt如何将数据保存成CSV文件前言

C++使用printf语句实现进制转换的示例代码

《C++使用printf语句实现进制转换的示例代码》在C语言中,printf函数可以直接实现部分进制转换功能,通过格式说明符(formatspecifier)快速输出不同进制的数值,下面给大家分享C+... 目录一、printf 原生支持的进制转换1. 十进制、八进制、十六进制转换2. 显示进制前缀3. 指

C++中初始化二维数组的几种常见方法

《C++中初始化二维数组的几种常见方法》本文详细介绍了在C++中初始化二维数组的不同方式,包括静态初始化、循环、全部为零、部分初始化、std::array和std::vector,以及std::vec... 目录1. 静态初始化2. 使用循环初始化3. 全部初始化为零4. 部分初始化5. 使用 std::a