论文研究 基于改进粒子群优化的无标记数据鲁棒聚类算法.pdf

已有的聚类算法大多仅考虑单一的目标，导致对某些形状的数据集性能较弱，为此提出一种基于改进粒子群优化的无标记数据鲁棒聚类算法。优化阶段：首先采用多目标粒子群优化的经典形式生成聚类解集合；然后使用K-means算法生成随机分布的初始化种群，并为其分配随机初始化的速度；最终，采用maximin策略确定帕累托最优解。决策阶段：测量帕累托解集与理想解的距离，将距离最短的帕累托解作为最终聚类解。对比实验结果表明，本算法对不同形状的数据集均可获得较优的类簇数量，对目标问题的复杂度具有较好的鲁棒性。