38、基于群体智能的聚类算法与Kmeans类型算法的扩展

基于群体智能的聚类算法与Kmeans类型算法的扩展

1. 聚类算法概述

聚类是许多自然应用中的基本操作，例如基因分析、图像处理、文本组织和社区检测等。它是一种将数据集划分为多个簇的方法，使得同一簇内的对象相似，不同簇内的对象相异。解决聚类问题的方法有很多种，包括划分方法、层次方法、基于密度的方法、基于网格的方法和基于模型的方法等。其中，kmeans类型的聚类算法是一种划分方法，在许多实际应用中被广泛使用。

2. kmeans类型算法的现状与问题

大多数现有的kmeans类型聚类算法仅考虑簇内对象的相似性，通过最小化簇的离散度来实现聚类。以基本kmeans算法为例，它在最小化离散度的过程中对所有选定的特征一视同仁。然而，在实际应用中，不同特征具有不同的判别能力。例如，在“London is the first city to have hosted the modern Games of three Olympiads”这句话中，关键词“London, Olympiads”在体育新闻中的判别信息比“city, modern”更多。

为了解决这个问题，一些研究人员通过各种加权方式扩展了基本kmeans算法。有些算法使用加权向量对特征进行加权，为每个特征计算一个代表其在整个数据集中判别能力的加权值。但在实际应用中，一个特征在不同簇中的判别能力可能不同，因此一些研究人员提出了矩阵加权kmeans类型算法，使用加权向量表示每个簇中特征的判别能力，如投影聚类、熵加权kmeans（EWkmean）、局部自适应聚类、属性加权聚类算法（AWA）和特征组加权kmeans等。

这些方法大多具有相同的特点：如果数据集中特征的离散度较小，则该特征会被赋予较大的权