基于二次网格优化的粒子群模糊聚类算法

计算机工程与科学

基于二次网格优化的粒子群模糊聚类算法

汪赫瑜,唐敏影,任建华

（辽宁工程技术大学电子与信息工程学院，辽宁葫芦岛 125105）

收稿日期:2017-11-27 修回日期:2018-01-11 出版日期:2019-02-25 发布日期:2019-02-25

A particle swarm fuzzy clustering algorithm

based on quadratic grid optimization

WANG Heyu，TANG Minying，REN Jianhua

（School of Electronics and Information Engineering,Liaoning Technical University,Huludao 125105,China）

Received:2017-11-27 Revised:2018-01-11 Online:2019-02-25 Published:2019-02-25

摘要/Abstract

摘要：

针对模糊C均值聚类算法易受初始聚类中心影响且收敛速度慢的缺陷，提出一种基于二次网格优化的粒子群模糊聚类算法GridPFcm。该算法首先将数据空间网格化，依据深度优先遍历规则，连通相邻密集网格单元，计算连通网格的相对密度，选取相对密度值最大的连通网格，计算中心位置，初始化聚类中心。然后，按照基于网格空间的单维向量变化原理，实现最佳粒子全局寻优，进一步优化初始聚类中心,以降低初始聚类中心选取对聚类效果的影响度。最后，通过实验表明，该算法能够加快寻优收敛速度，提高聚类效率和效果。

关键词: 模糊C均值聚类, 连通网格, 相对密度, 中心位置, 粒子

Abstract:

The fuzzy C-means clustering algorithm is susceptible to the initial clustering center and the convergence rate is slow. We present a particle swarm fuzzy clustering algorithm based on quadratic grid optimization. The algorithm firstly grids the data space, and connects adjacent dense grid cells according to the depth-first traversal rule, calculates the relative density, selects the connected grid with highest relative density value, calculates its central location, and initializes the clustering center. Then, according to the principle of single-dimensional vector variation based on grid space, it achieves the optimal particle global optimization and further optimizes the initial clustering center to reduce the effect on clustering. Experimental results show that the algorithm can accelerate convergence speed and improve the clustering efficiency and effect.

Key words: fuzzy C-means clustering, connected grid, relative density, central location, particle

汪赫瑜,唐敏影,任建华. 基于二次网格优化的粒子群模糊聚类算法[J]. 计算机工程与科学.

WANG Heyu，TANG Minying，REN Jianhua.

A particle swarm fuzzy clustering algorithm

based on quadratic grid optimization

[J]. Computer Engineering & Science.

[1]	薛锦云1, 周智鹏1, 2, 薛慧琦3, 易心武1, 2, 李志辉1, 2, 刘智高1, 2. 基于Unity 3D的灭火器虚拟消防模拟[J]. 计算机工程与科学, 2025, 47(6): 1090-1096.
[2]	徐辉, 唐琳, 马瑞君, 梁华国, 黄正峰. 一种新型低开销抗三节点翻转的锁存器设计[J]. 计算机工程与科学, 2025, 47(5): 811-822.
[3]	张建民, 许炜康, 刘津津, 黎铁军. 粒子输运非确定性模拟的加速方法研究进展[J]. 计算机工程与科学, 2025, 47(1): 1-9.
[4]	代长威, 孔瑞林, 季哲, . 面向离散粒子多尺度分析CPU/GPU架构的并行近邻搜索算法[J]. 计算机工程与科学, 2024, 46(8): 1349-1360.
[5]	刘振超, 苑迎春, 王克俭, 何晨. 融合特征权重与改进粒子群优化的特征选择算法[J]. 计算机工程与科学, 2024, 46(2): 282-291.
[6]	申晓宁, 徐继勇, 毛鸣健, 陈文言, 宋丽妍, . 基于双指标分组学习粒子群算法的动态敏捷软件项目调度[J]. 计算机工程与科学, 2024, 46(10): 1793-1806.
[7]	徐辉, 朱烁, 孙皓洁, 马瑞君, 梁华国, 黄正峰. 一种基于C单元的三节点翻转自恢复锁存器[J]. 计算机工程与科学, 2024, 46(1): 37-45.
[8]	张文宁, 周清雷, 焦重阳, 梅亮. 融入重心反向学习和单纯形搜索的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(9): 1629-1638.
[9]	张立, 黎铁军, 张建民. 一种面向蒙特卡洛程序的128核可扩展体系结构[J]. 计算机工程与科学, 2023, 45(4): 590-598.
[10]	彭坤彦, 尹翔, 刘笑竹, 李恒宇. 基于粒子群优化和深度强化学习的策略搜索方法[J]. 计算机工程与科学, 2023, 45(4): 718-725.
[11]	许文俊, 王锡淮. 基于变尺度黑洞和种群迁徙的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(11): 2036-2046.
[12]	王林, 王燕丽, 安泽远. 改进粒子群算法优化回声状态网络的电力需求预测研究[J]. 计算机工程与科学, 2022, 44(8): 1457-1466.
[13]	许晓阳, 王斯棋. 基于粒子分解的SPH并行算法研究与应用[J]. 计算机工程与科学, 2022, 44(6): 964-970.
[14]	申晓宁, 潘红丽, 陈庆洲, 游璇, 黄遥. 引入启发信息的粒子群算法在低碳TSP中的应用[J]. 计算机工程与科学, 2022, 44(6): 1114-1125.
[15]	范小康, 夏泽宇, 龙思凡, 杨灿群. 基于ARM SVE的光滑粒子流体动力学SIMD加速方法[J]. 计算机工程与科学, 2021, 43(6): 989-996.