CN112949859A - 一种改进的遗传聚类算法 - Google Patents

一种改进的遗传聚类算法 Download PDF

Info

Publication number
CN112949859A
CN112949859A CN202110413971.9A CN202110413971A CN112949859A CN 112949859 A CN112949859 A CN 112949859A CN 202110413971 A CN202110413971 A CN 202110413971A CN 112949859 A CN112949859 A CN 112949859A
Authority
CN
China
Prior art keywords
fitness
chromosome
fitness value
value
clustering algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110413971.9A
Other languages
English (en)
Inventor
于天阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN202110413971.9A priority Critical patent/CN112949859A/zh
Publication of CN112949859A publication Critical patent/CN112949859A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种改进的遗传聚类算法，包括：对数据进行编码，得染色体种群；计算适应度数值，并进行排序，获得适应度数组；以贪婪法为基准，根据适应度值将每两个染色体不重复的做交叉操作；根据适应值做选择操作；做模拟退火选择；计算剩余染色体适应值排序，并用当前最好染色体替换最差染色体；如果循环次数大于规定的最大循环次数，则运算结束，将数据解码得到最终聚类结果。本发明不仅执行的收敛速度加快，且在保证多样性的同时，将适应度值以最大限度的提高，时间及空间资源的消耗减少，迭代次数降低，实现了对遗传聚类中遗传方法进行优化。

Description

一种改进的遗传聚类算法
技术领域
本发明属于遗传聚类算法的技术领域，尤其涉及一种改进的遗传聚类算法。
背景技术
聚类算法作为一种无监督学习方法，广泛应用于图像分析、模式识别等领域，优化聚类算法有多种方式，如Jaspreet Kaur等人通过利用模糊C均值和人工蜂群算法对聚类算法进行改进，Yuefeng Tang等人利用萤火虫算法对聚类优化。
其中遗传聚类作为处理高维数据集的有效方法，已成为生物信息和医学分析等领域的研究热点，于金霞和蔡自兴等人通过加权的模糊聚类做特征提取，改进遗传算子以加快收敛速度，且避免了局部最优，但时间复杂度高，Faliang Huang和Xuelong Li等人提出一种和谐遗传聚类算法(HGCA)，对数据样本聚类时，可自动确定聚类的数量，但算法计算复杂程度大，占用较多的搜索空间，同样为确定聚类的数量，Bin Zhang和Zhichun Gan等人通过变长染色体的遗传运算得到最优解的方法，从而自动确定合适的聚类数目，且不受初始聚类中心的影响，而缺点是算法的空间复杂度大，算法效率降低，Md.Touhidul Islam和Pappu Kumar Basak等人提出一种混合遗传算法(HGA)，使启发式聚类算法避免陷入局部最优的状态，但时间复杂度大，算法执行速度慢。
综上所述，目前的研究大多在于对染色体优化或是将遗传算法与其余算法结合，而对遗传聚类中遗传方法的优化较少。
因此，发明一种改进的遗传聚类算法来解决上述问题很有必要。
发明内容
基于以上现有技术的不足，本发明所解决的技术问题在于提供一种改进的遗传聚类算法，不仅执行的收敛速度加快，且在保证多样性的同时，将适应度值以最大限度的提高，时间及空间资源的消耗减少，迭代次数降低，实现了对遗传聚类中遗传方法进行优化。
本发明的改进的遗传聚类算法，包括以下步骤：
S1、对数据进行编码，得染色体种群；
S2、计算适应度数值，并进行排序，获得适应度数组；
S3、以贪婪法为基准，根据适应度值将每两个染色体不重复的做交叉操作；
S4、根据适应值做选择操作，如果：
Figure BDA0003025128830000021
则做K变异算子计算，否则做普通变异算子计算；
S5、做模拟退火选择，如果fitnessnew＞fitnessthr，做轮盘赌选择，否则按照：
Figure BDA0003025128830000022
进入下一代；
其中，K为初始簇数量，a为维数，P为模拟退火选择概率，T为当前温度，cfitness为适应度数组，fitnessMax为最大适应值，fitnessEverage为平均适应值，fitnessMin为最小适应值，fitnessNew为新产生个体适应值，fitnessthr为适应度阙值。
可选的，还包括：
S6、计算剩余染色体适应值排序，并用当前最好染色体替换最差染色体；
S7、如果循环次数大于规定的最大循环次数，则运算结束，将数据解码得到最终聚类结果。
由上，本发明的改进的遗传聚类算法具有如下有益效果：
本发明通过在遗传聚类的交叉阶段，根据贪婪法的思想将染色体进行交叉，以保证子代尽可能的继承父代优秀基因，然后在遗传聚类的变异阶段，将变异算子的部分作为K变异算子进行处理，以加快算法收敛速度，最后通过模拟退火的选择过程，跳过局部最优的竞争点，以确保获得全局最优解，不仅执行的收敛速度加快，且在保证多样性的同时，将适应度值以最大限度的提高，时间及空间资源的消耗减少，迭代次数降低，实现了对遗传聚类中遗传方法进行优化。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明的改进的遗传聚类算法的流程图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
如图1所示，本发明提供了一种改进的遗传聚类算法，具体包括以下步骤：
S1、对数据进行编码，得染色体种群；
S2、计算适应度数值，并进行排序，获得适应度数组；
S3、以贪婪法为基准，根据适应度值将每两个染色体不重复的做交叉操作；
S4、根据适应值做选择操作，如果：
Figure BDA0003025128830000041
则做K变异算子计算，否则做普通变异算子计算；
S5、做模拟退火选择，如果fitnessnew＞fitnessthr，做轮盘赌选择，否则按照：
Figure BDA0003025128830000042
进入下一代；
S6、计算剩余染色体适应值排序，并用当前最好染色体替换最差染色体；
S7、如果循环次数大于规定的最大循环次数，则运算结束，将数据解码得到最终聚类结果。
其中，K为初始簇数量，a为维数，P为模拟退火选择概率，T为当前温度，cfitness为适应度数组，fitnessMax为最大适应值，fitnessEverage为平均适应值，fitnessMin为最小适应值，fitnessNew为新产生个体适应值，fitnessthr为适应度阙值。
更为具体的，实验对比K-Means聚类算法、遗传聚类算法、结合贪婪交叉与K变异的遗传聚类算法、结合贪婪交叉与模拟退火的遗传聚类算法以及上述改进的遗传聚类算法在bezdekIris数据集和moni数据集上实验可知：
在bezdekIris数据集下，通过实验图像对算法的适应度变化进行分析，遗传聚类算法平均适应值为24.73，相比于K-Means算法的适应值高出3.58，说明遗传聚类算法的性能优于K-Means聚类算法，引入贪婪交叉与K变异算子之后，明显迭代次数有所减少，不仅从500多次减少到200多次，减少了大概300次的迭代次数，时间消耗的程度减少，运行效率提高，模拟退火的遗传聚类算法与遗传聚类算法图像对比来看，迭代次数相差不大，将改进的遗传聚类算法与其余图像进行对比分析发现适应度为25.28，是所有算法中最高的适应度。
在moni数据集下，研究四种算法的适应值情况可知，将遗传聚类和K-Means聚类比较，最佳适应值提高0.32，平均提高0.21，结合贪婪交叉与K变异算子之后，算法的迭代次数明显减少，收敛的速度也有所加快，但是适应值与原算法相比没有提高太多，结合贪婪交叉和模拟退火之后的遗传聚类算法，可以明显看到最佳适应度很高，且收敛速度加快，并与之前的算法相比平均适应值提高4.66。
由上述内容可知：原聚类算法的最优解次数最少，遗传聚类算法达到最优解的次数虽然增加，但时间消耗最大，而分别经过贪婪交叉的K变异算子和模拟退火算法优化的遗传聚类算法，尽管达到最优解的平均次数都有增加，但相比于原聚类算法，时间消耗仍有些大，而经过改进的遗传聚类算法达到最优解的次数不仅是最多的，且时间消耗程度最小。
综上所述，本申请所提出的改进的遗传聚类算法，不仅执行的收敛速度加快，且在保证多样性的同时，将适应度值以最大限度的提高，时间及空间资源的消耗减少，迭代次数降低。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种改进的遗传聚类算法，其特征在于，包括以下步骤：
S1、对数据进行编码，得染色体种群；
S2、计算适应度数值，并进行排序，获得适应度数组；
S3、以贪婪法为基准，根据适应度值将每两个染色体不重复的做交叉操作；
S4、根据适应值做选择操作，如果：
Figure FDA0003025128820000011
则做K变异算子计算，否则做普通变异算子计算；
S5、做模拟退火选择，如果fitnessnew＞fitnessthr，做轮盘赌选择，否则按照：
Figure FDA0003025128820000012
进入下一代；
其中，K为初始簇数量，a为维数，P为模拟退火选择概率，T为当前温度，cfitness为适应度数组，fitnessMax为最大适应值，fitnessEverage为平均适应值，fitnessMin为最小适应值，fitnessNew为新产生个体适应值，fitnessthr为适应度阙值。
2.如权利要求1所述的改进的遗传聚类算法，其特征在于，还包括：
S6、计算剩余染色体适应值排序，并用当前最好染色体替换最差染色体；
S7、如果循环次数大于规定的最大循环次数，则运算结束，将数据解码得到最终聚类结果。
CN202110413971.9A 2021-04-16 2021-04-16 一种改进的遗传聚类算法 Pending CN112949859A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110413971.9A CN112949859A (zh) 2021-04-16 2021-04-16 一种改进的遗传聚类算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110413971.9A CN112949859A (zh) 2021-04-16 2021-04-16 一种改进的遗传聚类算法

Publications (1)

Publication Number Publication Date
CN112949859A true CN112949859A (zh) 2021-06-11

Family

ID=76232901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110413971.9A Pending CN112949859A (zh) 2021-04-16 2021-04-16 一种改进的遗传聚类算法

Country Status (1)

Country Link
CN (1) CN112949859A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869380A (zh) * 2021-09-15 2021-12-31 和美（深圳）信息技术股份有限公司 基于Kmeans聚类的数据分类方法、装置及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930340A (zh) * 2012-10-26 2013-02-13 上海电力学院 一种解决0-1背包问题的自适应遗传退火计算方法
CN105303450A (zh) * 2015-11-09 2016-02-03 北京工业大学 基于谱聚类改进交叉的复杂网络社区发现方法
CN106778826A (zh) * 2016-11-25 2017-05-31 南昌航空大学 基于自适应元胞遗传与优选模糊c‑均值的混合聚类算法
CN107038479A (zh) * 2017-05-08 2017-08-11 湖北科技学院 一种可变长染色体编码的混合并行遗传聚类算法
US20180260714A1 (en) * 2017-03-10 2018-09-13 Yun Li Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics
CN110188785A (zh) * 2019-03-28 2019-08-30 山东浪潮云信息技术有限公司 一种基于遗传算法的数据聚类分析方法
CN111338350A (zh) * 2020-03-10 2020-06-26 青岛蓝海未来海洋科技有限责任公司 基于贪婪机制粒子群算法的无人船路径规划方法及系统
CN112381284A (zh) * 2020-11-11 2021-02-19 成都信息工程大学 一种无人接驳车多站点路径优化的改进遗传算法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930340A (zh) * 2012-10-26 2013-02-13 上海电力学院 一种解决0-1背包问题的自适应遗传退火计算方法
CN105303450A (zh) * 2015-11-09 2016-02-03 北京工业大学 基于谱聚类改进交叉的复杂网络社区发现方法
CN106778826A (zh) * 2016-11-25 2017-05-31 南昌航空大学 基于自适应元胞遗传与优选模糊c‑均值的混合聚类算法
US20180260714A1 (en) * 2017-03-10 2018-09-13 Yun Li Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics
CN107038479A (zh) * 2017-05-08 2017-08-11 湖北科技学院 一种可变长染色体编码的混合并行遗传聚类算法
CN110188785A (zh) * 2019-03-28 2019-08-30 山东浪潮云信息技术有限公司 一种基于遗传算法的数据聚类分析方法
CN111338350A (zh) * 2020-03-10 2020-06-26 青岛蓝海未来海洋科技有限责任公司 基于贪婪机制粒子群算法的无人船路径规划方法及系统
CN112381284A (zh) * 2020-11-11 2021-02-19 成都信息工程大学 一种无人接驳车多站点路径优化的改进遗传算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张文哲: "基于DEPSO-NIW 算法的电源规划算法", 统计与决策, no. 2, 28 February 2018 (2018-02-28) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869380A (zh) * 2021-09-15 2021-12-31 和美（深圳）信息技术股份有限公司 基于Kmeans聚类的数据分类方法、装置及电子设备
CN113869380B (zh) * 2021-09-15 2024-05-14 和美（深圳）信息技术股份有限公司 基于Kmeans聚类的数据分类方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Lin et al. An efficient GA-based clustering technique
Xue et al. Particle swarm optimization for feature selection in classification: A multi-objective approach
CN110188785A (zh) 一种基于遗传算法的数据聚类分析方法
Lan et al. Evolving efficient deep neural networks for real-time object recognition
Wang et al. Fusion of clonal selection algorithm and harmony search method in optimisation of fuzzy classification systems
Chen et al. Automatically constructing membership functions and generating fuzzy rules using genetic algorithms
CN109002928A (zh) 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置
CN112949859A (zh) 一种改进的遗传聚类算法
Chen et al. Application of novel clonal algorithm in multiobjective optimization
CN107577918A (zh) 基于遗传算法和隐马尔可夫模型的CpG岛识别方法、装置
Yu et al. GPT-NAS: Evolutionary neural architecture search with the generative pre-trained model
Das et al. Applying restrained genetic algorithm for attribute reduction using attribute dependency and discernibility matrix
Zhang et al. A K-harmonic means clustering algorithm based on enhanced differential evolution
CN113642732A (zh) 协同进化和协方差的数据优化方法、系统、设备和介质
CN114004272A (zh) 一种能源互联网数据采集样本扩充方法及系统
Wang A weighted K-means algorithm based on differential evolution
Zhai et al. Multi-swarm genetic gray wolf optimizer with embedded autoencoders for high-dimensional expensive problems
CN105426910B (zh) 一种基于改进abc算法与de变异策略的自适应聚类方法
CN115442087B (zh) 一种基于dna计算的智能攻击检测方法及系统
CN114550827B (zh) 一种基因序列比对方法及系统
CN117093844B (zh) 工业大数据多模态特征选择方法、装置、设备及介质
CN118014010B (zh) 基于多种群机制及代理模型的多目标演化神经架构搜索方法
CN114399152B (zh) 产业园区综合能源调度优化方法及装置
CN113345420B (zh) 基于萤火虫算法与梯度评估的对抗音频生成方法及系统
CN118014316B (zh) 基于无性遗传算法的阻塞流水车间调度方法及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned

Effective date of abandoning: 20241015