Науковий вісник НГУ

Алгоритм дифференціальної кластеризації на основі елітарної стратегії

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Інформаційні технології, системний аналіз та керування

Останнє оновлення: 21 червня 2016

Опубліковано: 21 червня 2016

Перегляди: 4389

Aвторы:

Сюнцзюнь Вень, Хунаньский університет міжнародної економіки, г. Чанша, Хунань, КНР

Цюнь Чжоу, Хунаньский університет міжнародної економіки, г. Чанша, Хунань, КНР

Шен Хуан, Хунаньский університет міжнародної економіки, г. Чанша, Хунань, КНР

Реферат:

Мета. Кластерний аналіз – це не тільки важливий напрям досліджень у сфері інтелектуального аналізу даних, але й важливий засіб і метод поділу даних або обробки пакетів. Дослідження присвячене подальшому поліпшенню результативності алгоритму кластеризації та усуненню існуючих недоліків диференціальної еволюції (DE). Результати дослідження призначені для застосування у кластерному аналізі з метою отримання кращого ефекту кластеризації.

Методика. Проведені глибокі дослідження DE-алгоритму та кластерного аналізу, розглянуто вплив методу k-середніх, а також блок-схем і методу розрахунку функції пристосованості. Проаналізовано вплив різних диференціальних операцій на продуктивність.

Результати. По-перше, розглянуті основні ідеї й методи кластерного аналізу та DE-алгоритму. По-друге, продемонстрована реалізація кластерного аналізу поліпшеним DE-алгоритмом. По-третє, проведене експериментальне моделювання кластерного аналізу на чотирьох наборах змодельованих даних за допомогою алгоритму кластеризації на основі DE-алгоритму з елітарною стратегією, що дало можливість перевірити доцільність і обґрунтованість нового методу.

Наукова новизна. Розроблено DE-алгоритм з елі­тар­ною стратегією для застосування у кластерному ана­лізі за методом k-середніх. Так як DE-алгоритм являє собою метод для пошуку оптимального рішення шляхом імітації природного еволюційного процесу, його відмінною рисою є його прихований паралелізм і здатність ефективно використовувати глобальну інформацію, таким чином, новий і покращений алгоритм більш стійкий і може уникнути попадання в пастку локального оптимуму та значно посилити ефект кластеризації. Дослідження цього аспекту рані­ше не проводилися.

Практична значимість. Застосування елітарної стратегії DE-алгоритму може підвищити ефективність і точність кластерного аналізу за методом K-середніх. Результат експериментального моделювання показав, що новий метод, представлений у цій роботі, значно поліпшив продуктивність оптимізації, що доводить його доцільність та ефективність.

Список літератури / References

1. Enmei Tu, Longbing Cao, Jie Yang and Nicola Kasabov, 2014. A novel graph-based K-means for nonlinear manifold clustering and representative selection. Neurocomputing, vol.143, no.2, pp. 109‒122.

2. Michio Yamamoto and Yoshikazu Terada, 2014. Functional factorial image-means analysis. Computational Statistics & Data Analysis, vol.79, no.11, pp. 133‒148.

3. Basu, M., 2014. Improved differential evolution for economic dispatch. International Journal of Electrical Power & Energy Systems, vol.63, no.12, pp. 855‒861.

4. Ali Wagdy Mohamed, 2014. RDEL: Restart differential evolution algorithm with local search mutation for global numerical optimization. Egyptian Informatics Journal, vol.15, no.3, pp. 175‒188.

5. Pratyay Kuila and Prasanta K. Jana, 2014. A novel differential evolution based clustering algorithm for wireless sensor networks. Applied Soft Computing, vol.25, no.12, pp. 414‒425.

6. Das, S., Konar, A., Chakraborty, U.K., 2005. Improved differential evolution algorithms for handling noisy optimization problems. In: IEEE. The 2005 IEEE Congress on Evolutionary Computation, vol.2, pp. 1691‒1698.

7. Qingya Zhou, 2014. The research of differential evolution under dynamic environment. Zhengzhou University, China.

8. Md Anisur Rahman and Md Zahidul Islam, 2014. A hybrid clustering technique combining a novel genetic algorithm with K-Means. Knowledge-Based Systems, vol.71, no.11, pp. 345‒365.

9. Grigorios Tzortzis and Aristidis Likas, 2014. The MinMax K-Means clustering algorithm. Pattern Recognition, vol.47, no.7, pp. 2505‒2516.

10. Velmurugan, T., 2014. Performance based analysis between K-means and fuzzy C-means clustering algorithms for connection oriented telecommunication data. Applied Soft Computing, vol.19, no.6, pp. 134‒146.

2016_02_Xiongjun
2016-06-21  1.27 MB  861

• < Попередня
• Наступна >