作 者: ;
机构地区: 中山大学信息科学与技术学院
出 处: 《现代计算机》 2008年第6期67-69,共3页
摘 要: 提出一种基于差分算法的聚类分析方法,采用结构体数组对聚类的中心进行编码,并用样本向量与相应聚类中心的欧氏距离的和来判断聚类划分的质量,通过变异、交叉和选择操作对聚类中心的编码进行优化,以获得最好的聚类中心。通过差分算法的全局搜索能力,来获取全局最优结果。实验结果显示,该方法的聚类划分效果明显优于传统的K-均值方法,也一般优于基于遗传算法的聚类算法和基于微粒群的聚类算法。 Proposes a K-means cluster analysis method based on DE algorithm, the optimal cluster centers are searched by mutation, crossover, and selection. It aims at finding global optimum , through trail and testing, it turns out to be effective to solve some cluster analysis problems.
领 域: [自动化与计算机技术] [自动化与计算机技术] [理学] [理学]