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

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

用js控制视频播放进度基本示例代码

《用js控制视频播放进度基本示例代码》写前端的时候,很多的时候是需要支持要网页视频播放的功能,下面这篇文章主要给大家介绍了关于用js控制视频播放进度的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言html部分:JavaScript部分:注意:总结前言在javascript中控制视频播放

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

java之Objects.nonNull用法代码解读

《java之Objects.nonNull用法代码解读》:本文主要介绍java之Objects.nonNull用法代码,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐... 目录Java之Objects.nonwww.chinasem.cnNull用法代码Objects.nonN

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤