内容发布更新时间 : 2025/6/11 7:34:10星期一 下面是文章的全部内容请认真阅读。
基于遗传算法的k-means聚类挖掘方法研究
计算机上用枚举法很难或甚至不可能求出其精确最优解。对这类问题，人们已意识到应把主要精力放到寻求其满意解上，而遗传算法就是寻求这种满意解的最佳工具之一。时间证明，遗传算法对于组合优化中的NP完全问题非常有效。
(3) 生产调度问题
采用遗传算法能够解决复杂的生产调度问题。在单间生产车间调度、流水线生产车间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。
(4) 自动控制
在自动控制领域中有很多与优化相关的问题需要求解，遗传算法已在其中得到了初步应用，并显示出了良好效果。例如，基于遗传算法的模糊控制器优化设计，用遗传算法进行航空控制系统的优化，使用遗传算法设计空间教会控制器等。
(5) 机器学习
基于遗传算法的机器学习，特别是分类器系统，在很多领域中都得到了应用。例如，遗传算法被用于学习模糊控制规则，利用遗传算法来学习隶属函数等。基于遗传算法的机器学习可用于调整人工神经网络的连接权，也可用于神经网络结构的优化设计。分类器系统在多机器人路径规划系统中取得了成功的应用。
(6) 图像处理
图像处理是计算机视觉中的一个重要领域，在图像处理中，如扫描、特征提取、图像分割等不可避免地会存在一些误差，这些误差会影响图像处理的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求，遗传算法在这些图像处理的优化计算方面找到了用武之地。
(7) 机器人学
机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源来自于对人工自适应系统的研究，所以机器人学理所当然地成为遗传算法的一个重要领域。例如，遗传算法已经在移动机器人路径规划、机关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行为协调等方面得到研究和应用。
3.7本章小结
本章详细介绍了遗传算法的有关知识，包括遗传的历史与发展、基本术语、遗传算法的基本要素、算法的特点、算法思想及其执行过程、应用等。
30
青岛科技大学研究生学位论文
第四章 一种改进的遗传k-means聚类算法
k-means算法是一种重要的聚类算法，算法简单、收敛速度快，被广泛地应用于各个领域。虽然k-means算法具有较强的局部搜索能力，但因对初始聚类中心敏感，容易陷入局部最优，从而影响聚类结果。遗传算法是一种高效的全局搜索方法，但其局部搜索能力较差。若将k-means算法与遗传算法相结合，互相取长补短，既通过遗传算法保证获取全局最优解，又利用k-means算法兼顾局部寻优能力，提高收敛速度，从而达到理想的聚类效果。基于这种思想，本文在简单遗传算法的基础上进行了一些改进，提出一种改进型遗传k-means聚类方法(Improved Genetic k-means Algorithm，IGKA)。
4.1 k-means算法的思想与流程
k-means算法是由J.B.MacQueen[48]于1967年提出的，目前是用于科学和工业应用的诸多算法中的一种极有影响力的技术。k-means算法属于聚类分析中的划分算法，它是一种己知聚类类别数的算法。由于本文重点研究基于遗传的k-means聚类方法，因此必须详细掌握k-means算法的基本原理。 4.1.1 k-means算法思想[49]
对于给定的包含n个数据对象的数据集，k-means算法首先要求用户指定最终划分类别数目为k，然后随机选取k个点作为聚类中心，计算剩余数据对象到各聚类中心的距离，利用距离最近原则，把数据对象归到离它最近的那个聚类中心所在的类中去，聚类结果由k个聚类中心来表达，基于给定的聚类目标函数(或者说是聚类效果判别准则)，算法采用迭代更新的方法，每一次迭代过程都是朝目标函数值减小的方向进行。
k-means算法以相邻两次的聚类中心没有任何变化，数据对象调整结束，聚类准则函数J收敛