基于动态隧道系统的K-means聚类算法研究

针对K-means聚类算法易陷入局部极小的问题,利用动态隧道算法在解决全局最优化问题中的有效性,将算法中的动态隧道过程引入到K-means聚类算法中,提出了一种基于动态隧道算法的K-means聚类算法.该算法在K-means聚类算法寻优得到的局部极小值基础上,利用动态隧道过程寻找更小的能量盆地,再将其值提交给K-means聚类算法进行迭代寻优,重复该过程,直到找到全局最小值.理论分析和仿真实验证明,该算法的聚类效果要优于K-means聚类算法.     

基于蝙蝠算法的K均值聚类算法

为解决传统 K-means 算法中因初始聚类中心选择不当而导致聚类结果陷入局部极值的问题, 采用蝙蝠算法搜寻 K-means 算法的初始聚类中心, 并将模拟退火的思想和基于排挤的小生境技术引入到蝙蝠算法中, 以克服原始蝙蝠算法存在后期收敛速度慢、 搜索力不强等问题。 同时, 通过测试函数验证了其有效性。 最后利用改进后的蝙蝠算法优化 K-means 算法的初始聚类中心, 并将该改进的算法与传统的 K-means 算法的聚类结果进行了对比。 实验结果表明, 改进后的算法的聚类性能比传统的 K-means 算法有很大提高。     

基于K-means的改进差分进化聚类算法

K-means聚类算法简单,收敛速度快,但是聚类算法的结果很容易受到初始聚类种群的影响,往往导致局部最优。差分进化算法具有很强的全局收敛能力和鲁棒性,但其收敛速度较慢。为此,将K-means聚类算法和差分进化算法相结合,提出一种基于K-means的改进差分进化聚类算法。该算法设置在一定范围内随迭代次数动态增加的交叉算子,以使算法在迭代过程中先进行全局搜索,再进行局部搜索,这样有助于平衡算法的全局寻优和局部搜索能力,并且加快了算法的收敛速度。最后,通过实验测试了算法的有效性。     

一种基于改进蜂群的K-means聚类算法

为了克服K-means聚类算法的不足,提出了一种改进的人工蜂群算法。通过在蜜源搜索策略中加入动态调整因子,使得算法在不同的进化时期能够自动地调整搜索范围,增强了算法的全局搜索能力和局部开采能力。引入了包含更多最优解信息的中心解思想,提高了蜂群的搜索效率,加快了算法的收敛速度。利用改进后的蜂群算法来优化K-means算法,以改善聚类效果的性能。试验结果表明,优化后的K-means算法具有较强的稳定性,且聚类效果有了明显改善。     

基于近似骨架和混合蛙跳算法的K-means方法及其在眼底病历图像中的应用

为提高K-means算法全局搜索能力,提升聚类效果,提出一种基于近似骨架和混合蛙跳算法的K-means方法。该方法首先利用经典的混合蛙跳算法取代K-means算法中原有迭代公式,获得更优秀的聚类结果;然后对获得的聚类结果,使用基于近似骨架和混合蛙跳算法的K-means算法不寻找聚类中心,而是直接对簇的划分进行修改。UCI数据集实验结果表明,使用改进的聚类算法获得的聚类结果,较其他算法结果更为优秀。最后将改进后的聚类算法应用到医学眼底病历图像中,可以得到较好的血管切割效果。     

基于孤立点自适应的K-means算法

孤立点的存在使聚类中心的计算产生较大误差,影响K-means算法的聚类效果.针对该问题,引入谢林模型,使孤立点能够自动移动到其邻居所在位置,消除孤立点,同时,对K-means算法过程中的距离计算、初始聚类中心选取环节进行改进,提出基于孤立点自适应的K-means算法.该算法首先对原始数据进行归一化处理,以提高距离计算的准确性;然后,根据谢林模型的基本思想,将孤立点移动到其最近的多邻邻居;接着,由类簇的数目确定邻居样本的搜索范围,确定初始聚类中心;最后,根据移动后的数据集和初始聚类中心,进行K-means聚类.在UCI机器学习数据库中经典聚类数据集上的实验结果表明,该算法可显著提升聚类的精度,同时,簇的内聚性也比较好.     

一种基于划分的聚类算法分析与改进

K-means 是一种基于划分的聚类算法,由于 K-means 算法在选择初始聚类中心时是随机选取 k 个点,因此一旦 k 个点选取不合理,将会误导聚类过程,得到一个不合理的聚类结果。在分析聚类结果对初值依赖性的基础上,对初值选取方法进行了分析和研究,采取“射靶”的原理进行类中心搜索。从实验结果中可以发现,改进后 K-means 得到的聚类结果更加稳定,对初始聚类中心的依赖性减弱了。     

模糊K-m eans算法在临床路径决策中的应用

针对临床路径决策分析聚类算法中聚类效果依赖于样本数据分布且处理数据效率低的问题,提出基于均衡分配方法的模糊K-means算法的临床路径决策方法.该算法利用文字数字化处理与加权计算来建立数据格式统一且关键属性突出的样本特征值矩阵;利用基于均衡分配方法的模糊K-means算法对上述样本进行聚类分析,得到最终的聚类中心与聚类结果,以此辅助医生进行临床路径决策.采用ECLIPSE编程进行仿真,与传统模糊K-means算法和基于减法聚类的FCM算法相比,采用该算法的迭代时间分别降低了26%与70%,迭代次数分别减少了33%和82%,平均目标函数最小值分别减小了32%和28%.实验表明,该算法能够有效降低聚类效果对于样本数据分布的依赖,同时数据聚类效率与质量也有显著的提高.     

大数据挖掘中的MapReduce并行聚类优化算法研究

为了有效解决云计算环境下海量数据的并行聚类问题,以典型的基于距离的Kmeans聚类算法为例,提出了一种MapReduce并行聚类优化算法.首先将差分进化算法与K-means算法相结合,从而利用差分进化算法的强大全局搜索能力克服典型K-means算法对初始中心较为敏感的缺点,利于增强全局最优解的稳定性.然后把优化后的算法在Hadoop的Map Reduce框架下做了并行化的设计.实验结果表明,与其他多种分布式设计相比,提出的并行聚类优化算法能够在保证聚类效果的前提下,大大减少了运算的时间,提高了大规模数据的聚类效率.     

混合测量子空间聚类算法的研究

针对闵可夫斯基子空间聚类算法对特征权重分配的问题,提出了一种混合测量子空间聚类算法(iMWK-HD),以实现调节特征权重因子和提高算法性能的目的。利用闵可夫斯基距离与余弦相结合的混合测量来分配特征权重,构造新的目标函数;在聚类迭代过程中,采用智能K-means进行初始化来解决选择正确类数的问题;根据新的目标函数,使用拉格朗日乘子法求解新的隶属度和特征权重更新公式,使类中心更加稳定,从而促进特征空间转换,获取数据集最优聚类结果。采用UCI数据集设计了对比实验,实验结果表明,iMWK-HD算法优于iK-means、iWK-means、iMWK-means这3个现有的聚类算法,所提算法能有效提升聚类精确度和聚类结果的稳定性。     

车牌拍卖的理论研究与实证分析

以私人价值模型为基础,提出包括歧视性拍卖(DA)、同一价格拍卖(UPA)、同步升价拍卖(SAA)三种拍卖形式下的车牌拍卖数学模型;通过对模型的求解与比较,分析2008年1月发生的上海车牌拍卖调整,并讨论拍卖形式变化对最低成交价格的影响;从模型角度,预测未来车牌拍卖的调整方向以及可能的调整结果.     

连续型双向拍卖模型的构建

讨论传统拍卖（单向拍卖）的定义与类型,双向拍卖的运作方式和分类方法,指出双向拍卖可解决市场中买卖双方的信息不对称问题,从而能有效避免单向拍卖中的“窜谋”和“恶意报价”等难题.考虑允许买卖双方随时修改出价的连续性条件,分别建立单物品双向拍卖模型、同类物品双向拍卖模型和不同类物品双向拍卖模型,为研究双向拍卖市场行为提供较好的理论模型.     

多物品二次报价拍卖机制研究

在一次报价拍卖模型的基础上建立了多物品二次报价拍卖动态模型,用逆向递归法证明得出二次报价拍卖下竞拍者的最优报价策略和拍卖商的平均期望收益;并且将二次报价拍卖应用于上海私车额度拍卖,测算了牌照发放数量、竞拍者数量和风险偏好对于中标价和政府平均期望收益的影响.     

IPO拍卖机制模型

提出IPO的统一价格拍卖模型,并对模型求解,说明在拍卖机制下,机构投资者最优竞价策略是“讲真话”,即报出自己对股票的真实估价;在此基础上,证明参加IPO发售投资者数量与发行公司收益成正比关系,与发行公司抑价程度成反比关系。     

“托”出价下几种拍卖方式比较研究

针对现有网上不同拍卖方式下"托"投标理论研究的不足,运用决策分析和博弈论的基本理论和方法分别研究了英国式拍卖、首价密封拍卖和次价密封拍卖方式下投标者的最优投标策略,并在此基础上对"托"投标下3种拍卖方式中投标者的期望收益和卖者的期望收益损失与投标者估价分布、"托"投标的概率以及投标人数之间的关系进行了比较分析,得出一些建设性的结论并解释一些现象.     

多物品双向拍卖机制设计

研究由多个买方和多个卖方组成的多物品双向拍卖机制,在机制设计中建立两个规则,该规则建立了一个简洁实用的模型以确定市场清算价,并在交易多个物品的多个买方和多个卖方中进行匹配·对规则进行证明和举例说明,证明规则正确有效·该机制算法简单,利于复杂的双向多物品拍卖的理论研究以及实践应用,并且扩展后还可运用于经典的4种拍卖模式·     

一种无线单频谱安全拍卖算法

由于电子拍卖自身的高效性和公正性,因此基于无线频谱分配的拍卖机制应运而生,且满足了人们日益增长的无线通信服务需求。而安全的频谱拍卖算法是保证无线频谱拍卖机制安全运行的重要保障。通过分析无线频谱分配的算法特点和其所确保的安全需求,提出了一种无线单频谱安全拍卖算法。该算法结合无线频谱分配的拍卖特点与密码学机制来确保拍卖过程中信息的安全,并正确选出拍卖赢家,以及计算出赢家所需要支付的频谱拍卖价格。分析证明了算法具有较高的安全性。     

有时间约束的多属性网上顺序拍卖研究

拍卖机制与竞标人出价策略是拍卖理论研究的核心问题,网上拍卖的时间终止规则有固定时间和固定期限无应答两种类型.网上拍卖最后时刻投标对竞标人往往是最优策略,但是会影响到拍卖的效率.有时间约束的多属性网上顺序拍卖,通过设定最后一轮的拍卖机制,在最后一轮拍卖中,新的竞标人不准许加入拍卖,每一个竞标人按顺序只能提交一次报价,在投标结束后拍卖人根据评分函数和最优权重对竞标评分.这种拍卖机制有利于提高拍卖人收益,同时又给竞标人提供一种稳定的策略,可以有效地避免最后时刻投标所带来的效率损失.     

多物品的最优拍卖机制

在一般模型下,研究了使卖方期望效用最大化的最优拍卖机制设计问题．考虑了（一个）卖方有多个相同不可分物品的拍卖、投标者的估价相关性以及私有信息的非对称性,给出了多物品最优拍卖的性质,证明了最优拍卖是确定性的,推广了单物品、单需求的拍卖模型．最后给出了最优拍卖的示例,说明了最优拍卖的复杂性．本文的显著特点（不同于其他文献）,就是用新的方法—通过每个投标者得到物品个数的概率来刻划多物品拍卖的机制,从而使分析大为简化．