基于K-means聚类算法优化方法的研究

针对传统K-means聚类中存在的一系列问题,文中提出了一种基于K-means聚类的改进算法。该算法首先利用K-means++聚类从数据中选择K个距离尽可能远的对象作为初始聚类中心,然后利用K-mediods聚类选择数据样本的中位数作为聚类中心的对象,最后与两步聚类结合。通过对几个常用UCI标准数据集进行仿真实验,结果表明该算法比传统算法更优。     

基于聚类分析和XGBoost算法的换机预测模型

为了有效地向手机用户提供换机服务,建立一种换机预测模型。利用孤立森林算法,排查与换机预测无关的异常电信用户。将排查后的数据集通过K-Medoids聚类分析精细划分为3个用户簇,利用SMOTE和Tomek组合采样的方法,处理每个用户簇的不平衡问题。最后将各个用户簇的数据通过XGBoost算法进行训练,并根据格式搜索法得出最优换机预测模型。实验结果表明,该换机预测模型的预测准确率高于其他预测模型,可较好地为电信用户提供换机服务。     

考虑风速属性约简聚类的组合预测模型

精确的风速预测对于规模化风电并网及系统运行具有重大意义。提出了一种基于快速相关性约简优化K-mediods聚类的双层长短时记忆网络短期风速预测模型。首先,计算各风速序列及其属性序约简优化K-mediods聚类的双层长短时记忆网络短期风速预测模型。即计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性。然后,采用改进K-mediods对约简后的风速数据进行聚类,得到风速关联属性优化序列,保证类内信息准确全面,并利用双层长短时记忆网络挖掘深层特征及短期预测。最后,通过对实际风场风速进行预测,并与实测数据对比,验证了预测模型的准确性及有效性。结果表明,所提方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息提高了预测的精度。     

带时间窗的多中心半开放式车辆路径问题

针对多中心协同配送下的车辆路径问题，建立了总成本最小化模型，所建模型满足多中心、多需求点和半开放式的特征。考虑到问题的复杂性，设计了一种三阶段求解算法：将K-mediods聚类算法用于原始数据分解，将原规模较大的多配送中心路径问题转换成多个单配送中心路径问题；设计了改进多蚁群算法来求解单配送中心路径问题，得到初始方案；在调整阶段，利用节约算法优化初始方案。分析了算例，并同其他文献的算法求解结果进行对比，结果表明，所提算法比GA-ACO算法求解得到的单中心配送最优路径值减小32.16%，总成本减小30.42%；比狼群算法解得的最优路径值和总成本均减小8.99%；比蚁群算法求得的最优路径值减小24.76%，最小配送成本减小3.40%，从而验证了所建模型的合理性和所设计多阶段算法的有效性。     

聚类融合在邮件社区划分中的应用研究

结合聚类融合方法的优点,探索了聚类融合方法在邮件社区划分中的应用,并提出了一种基于聚类融合的邮件社区划分方法。该方法中应用了聚类融合思想,继承了聚类融合方法的优点,能发现复杂的社区结构,不受离群点干扰,显著提高社区划分质量。模拟实验发现,这种社区划分方法法能够发现高质量的社区。