基于改进自监督学习群体智能（ISLCI）的高性能聚类算法

摘要：

针对现有数据聚类算法（如 K －means）易陷入局部最优和聚类质量不佳的问题，提出一种结合改进自监督学习群体智能（improved self supervised learning collection intelligence，ISLCI）和 K 均值（K －means）的高性能聚类算法。已有的自监督学习群体智能演化方案具有计算效率和聚类质量高的优点，但当应用于数据聚类时，收敛速度较慢且极易陷入局部最优。为 ISLCI 加入突变操作，增加其样本多样性来降低早熟的概率，提高最优解的求解质量；计算每个样本的行为方程，获得其行为结果；通过轮盘赌方案来选择群体智能学习的对象和群体中其他样本学习目标对象的属性来提高自己。同时，利用 K-means 操作提高其收敛速度，提高算法计算效率。对比试验结果表明，本算法具有收敛速度快、聚类质量高、不易陷入局部最优的特点。

关键词：自监督学习群体智能、数据聚类、突变操作、簇内距离、函数评价次数

分类号：TP181(自动化基础理论)

资助基金：2014年海南省高等学校科学研究项目HNKY2014-65Foundation ItemThe Higher School Science Foundation Project of HainanHNKY2014-65

在线出版日期：2016-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：131-137