基于元启发式算法的聚类分析关键问题研究

聚类分析是数据挖掘、机器学习、模式识别等领域的重要研究内容，是国内外研究广泛且非常活跃的重要课题。本项目探讨基于元启发式算法的聚类分析中几个关键问题的解决方法，研究工作包括：（1）将猫群优化引入聚类问题研究，设计适合聚类分析的搜寻模式和追踪模式，为聚类问题求解提供新方法；（2）面向聚类问题建立遗传算法的选择压力和种群多样性评价指标和禁忌搜索的多样性和集中性评价指标，全面均衡地改善聚类算法的局部和全局优化能力；（3）融合聚类特征建立动态聚类簇数目的生成机制，根据聚类划分状态设计聚类簇增减方式，将其融入启发式算子构造以体现数据对象分配过程；（4）将禁忌搜索引入多目标聚类问题研究，探讨采用非种群元启发式算法解决多目标聚类问题的可行性和性能表现，全面扩展多目标聚类的研究手段。通过上述研究工作的探索和创新，为提高基于元启发式算法的聚类方法的性能打下坚实基础。

聚类分析是数据挖掘、机器学习、模式识别等领域的重要研究内容，是国内外研究广泛且非常活跃的重要课题。本项目探讨基于元启发式算法的聚类分析中几个关键问题的解决方法，研究工作总结如下：.（1）将猫群优化引入硬聚类问题，设计和建立面向聚类分析的搜寻模式和追踪模式，为聚类问题求解设计并实现三个新算法；.（2）提出基于禁忌搜索的软聚类分析算法，融合模糊C均值操作提高算法效率，仿真实验表明算法的有效性；.（3）面向聚类问题建立遗传算法的选择压力和种群多样性量化评价指标，全面均衡地改善遗传聚类算法的局部和全局优化能力；.（4）融合聚类特征建立动态聚类簇数目的生成机制，根据聚类簇划分状态设计聚类簇增减方式，将其融入启发式算子构造以体现数据对象分配过程；.通过上述研究工作的开展，为提高基于元启发式算法的聚类方法的性能奠定研究基础。