10.16526/j.cnki.11-4762/tp.2016.12.040
云环境下的高效K-Medoids并行算法
传统聚类算法K-Medoids对初始点的选择具有随机性,容易产生局部最优解;替换聚类中心时采用的全局顺序替换策略降低了算法的执行效率;同时难以适应海量数据的运算;针对上述问题,提出了一种云环境下的改进K-Medoids算法,该改进算法结合密度法和最大最小原则得到优化的聚类中心,并在Canopy区域内对中心点进行替换,再采用优化的准则函数,最后利用顺序组合Ma-pReduce编程模型的思想实现了算法的并行化扩展;实验结果表明,该改进算法与传统算法相比对初始中心的依赖降低,提高了聚类的准确性,减少了聚类的迭代次数,降低了聚类的时间.
云环境、K-Medoids聚类、Canopy算法、最大最小原则、MapReduce
24
TP311(计算技术、计算机技术)
国家自然科学基金项目11271057,51176016;江苏省自然科学基金项目BK2009535
2017-01-07(万方平台首次上网日期,不代表论文的发表时间)
共5页
139-142,146