2018年第1期（总第241期）
doi:10.3969/j.issn.1009 ~3230.2018.01.001
应用能源技术
1
基于改进自适应遗传算法的K-means聚类算法研究
修昕
（辽宁省科学技术情报研究所，沈阳110168）
摘要：文中提出了一种基于改进自适应遗传算法的K-means聚类算法。利用仿真实验分别对确定聚类数目k和不确定聚类数目k的聚类算法进行测试，通过与传统聚类算法进行比较，实验结果显示动态确定聚类数目k的聚类算法的有效性。
关键词：自适应遗传算法；K-means；聚类算法
中图分类号：TP392文献标志码：B文章编号：1009-3230(2018)01-0001-04
Research onK-meansClusteringAlgorithmBased onImproved
AdaptiveGeneticAlgorithm
TONGXin
(Institute of Scicntific & Technical Information of Liaoning Province,Shenyang 110168,China) Abstract: In this paper, it is proposed that a k means clustering algorithm based on improved adaptive genetic algorithm. The cluster algorithm of the certain clustering numbers and the uncertain clustering numbers were tested by simulation experiment. By comparison with the traditional clustering algorithm, The experimental results show the effectiveness of the clustering algorithm for dynamically clustering numbers.
Key words:Adaptive genetic algorithm; K means; Clustering algorithm
0引言
传统的聚类算法对初始值较为敏感，不同的初值可能带来不同的聚类结果，而聚类质量的好坏又会影响到最终知识发现的结果，甚至有可能带来相反的结论。因此，对聚类分析的算法不仅要求高效，更要求精确。传统的聚类算法从本质上讲是局部搜索算法，它的搜索原理是一种送代的爬山技术，自然存在两个缺点：一是处理数据量增大时极为费时，二是容易陷人局部极小值(1-3)
遗传算法的显著特点是隐含并行性和对全局信息的有效利用能力，而且具有较强的稳健性。
收稿日期：2017-10-11修订日期：2017-11-15 基金项目：国家自然科学基金资助项目（61403179）；辽宁省
自然科学基金资助项目（2014020192）
作者简介：佟昕（1980－），女，硕士，从事能源研究工作。万方数据
因此，把遗传算法应用到聚类分析中，利用遗传算法的全局搜索能力，可以解决传统的聚类算法对初始值敏感的问题【4-5]。
1K-means聚类算法
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。这种算法随机选取任意<个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次选代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇。当考察完所有数据对象后，一次选代运算完成，新的聚类中心被计算出来。如果在一次选代前后，J的值没有发生变化，说明