粒子群优化(Particle Swarm Optimization,PSO)是一种群
智能(Swarm Intelligence)方法的进化计算技术。其具有原理简
单,便于理解,算法容易实现、操作参数少、易于收敛等优点。
聚类分析(Cluster Analysis)利用数据间的相似性对数据进行
分类。使得不同类别中的数据尽可能相异,而同一类数据之间尽
可能相似,从而发现数据其中隐含的、有用的信息[1]。各种聚
类算法中,K-means算法凭借其便于理解,算法简单易行,以及
收敛速度快等特点,成为了最著名、最常用的聚类算法。但是其
本身具有易陷入局部最优解,处理海量数据效率低下等不足。如
何改进 K-means算法,一直以来受到了广泛的关注和研究。
2. 基于适应度权重的改进粒子群算法
基于对粒子群优化算法的分析,本文将引入粒子运动适应度
权重这一概念,并以此为核心提出一种改进的粒子群优化算法
FWPSO。FWPSO将每个粒子的适应度和整个粒子群粒子的适应度
进行计算,得出粒子的适应度权重,并将该权重引入到粒子速度
的计算中。虽然增加了一定的计算量,但能够使粒子的运动速度
和方向更加合理,从而提高算法收敛解的精度,有效避免算法陷
入局部最优解,提高算法的性能。