.566 智能系统学报 第11卷 无限缩减每个聚类周期的时间，即使聚类后期“较 [4]秦全德，李丽，程适，等.交互学习的粒子群优化算法 优”的粒子模板已经大聚类后期“较优”的粒子模板 [J].智能系统学报，2012,7(6)：547-553 已经大部分被压缩并移除只剩下静态模板的静态压 QIN Quande,LILi,CHENG Shi,et al.Interactive learning particle swarm optimization algorithm[J].CAAI transactions 缩模板的集合g,但是每个周期还会产生C个新的 on intelligent systems,2012,7(6):547-553. 包含所有输入模板的粒子。如图1所示，本文算法 [5]SOLAIMAN B F,SHETA A F.Energy optimization in wire- 在后期的迭代周期中，周期执行时间逐渐收敛于一 less sensor networks using a hybrid K-means PSO clustering 个固定值： algorithm[J].Turkish Journal of electrical engineering and 3)比起MP聚类算法，本文算法对于Iis等 computer sciences,2015. 数据集既能缩短聚类时间，也能提高聚类精度。 [6]DASH P,NAYAK M.Multilevel thresholding using PSO 而对于数据Wall following而言虽说本文算法降 clustering[].International journal of computer applica- 低了千分之几的精度，但是却缩短了1/10的聚 tions,2014,97(18):27-32. 类时间。同MP算法相比，本文算法虽然增加了 [7]CHIANG M C,TSAI C W,YANG C S.A time-efficient pattern reduction algorithm for k-means clustering[J].Infor- 广义遗产算法等一系列操作，但是这些操作大多 mation sciences,2011,181(4):716-731. 能与模板缩减法相结合且不会增加太多计算复 [8]TSAI C W,HUANG K W,YANG C S,et al.A fast parti- 杂性，如图1所示，本文算法同MP算法在开始的 cle swarm optimization for clustering[J].Soft computing, 周期执行时间基本相等。所以本文算法能够在 2015,19(2):321-338. 增强聚类精度的基础上提高部分聚类速度。 [9]FILHO T M S,PIMENTEL B A,SOUZA R M C R,et al. 总体来看，本文算法能够在基本不降低聚类算 Hybrid methods for fuzzy clustering based on fuzzy c-means 法精度的前提下，缩短大量的聚类时间。 and improved particle swarm optimization[J].Expert sys- tems with applications,2015,42(17/18):6315-6328. 3结束语 [10]RANA S,JASOLA S,KUMAR R.A boundary restricted 随着规模庞大、结构复杂数据的不断出现，对其 adaptive particle swarm optimization for data clustering[J]. International journal of machine learning and cybernetics, 聚类往往需要耗费大量的时间。但是当今大量文献 2013,4(4):391-400. 研究往往都着眼于提高其准确度，很少针对聚类速 [11]张亮，杨国正.一种变维搜索的量子粒子群优化聚类算 度。本文基于模板缩减的粒子群聚类算法，将其与一 法[J].小型微型计算机系统，2012,33(4)：804-808. 种改进的广义遗传算法充分结合，不仅能够提高种群 ZHANG Liang,YANG Guozheng.A quantum particle 的多样性而且能够对模板缩减过程中必要的信息进 swarm optimization clustering algorithm using variable di- 行存储保护。实验表明，本文算法能够在基本不降低 mensions searching J.Journal of Chinese computer sys- 聚类精度的前提下，显著地缩短聚类时间。但是本文 tems,2012,33(4):804-808. 基本模板缩减的粒子群聚类算法，精度不可避免带有 [12]AHMADYFARD A,MODARES H.Combining PSO and k- 些许的损失，特别是当类数增加时误差会较大。对于 means to enhance data clustering[C]//Proceedings of In- 这一问题，应该是还没有将遗传算法的全部优，点挖掘 ternational Symposium on Telecommunications.Tehran,I- ran,2008:688-691 出来，下一步还有待改进。 作者简介： 参考文献： 贾旋，男，1992年生，硕士研究生， 主要研究方向为人工智能与模式识别。 [1]LI Chaoshun,ZHOU Jianzhong,KOU Pangao,et al.A no- vel chaotic particle swarm optimization based fuzzy cluste- ring algorithm[J].Neurocomputing.2012,83:98-109. [2]BEHESHTI Z,SHAMSUDDIN S M H.CAPSO:Centripetal accelerated particle swarm optimization[J].Information sci- 周治平，男，1962年生，教授，博 ences,2014,258:54-79. 士，主要研究方向为智能检测、自动化 [3]SUN Jun,CHEN Wei,FANG Wei,et al.Gene expression 装置、网络安全等。 data analysis with the clustering method based on an im- proved quantum-behaved particle swarm optimization[J]. Engineering applications of artificial intelligence,2012,25 (2):376-391.无限缩减每个聚类周期的时间，即使聚类后期“较 优”的粒子模板已经大聚类后期“较优”的粒子模板 已经大部分被压缩并移除只剩下静态模板的静态压 缩模板的集合 ｑ － ，但是每个周期还会产生 Ｃ 个新的 包含所有输入模板的粒子。 如图 １ 所示，本文算法 在后期的迭代周期中，周期执行时间逐渐收敛于一 个固定值； ３）比起 ＭＰ 聚类算法，本文算法对于 Ｉｒｉｓ 等 数据集既能缩短聚类时间，也能提高聚类精度。 而对于数据 Ｗａｌｌ ｆｏｌｌｏｗｉｎｇ 而言虽说本文算法降 低了千分之几的精度，但是却缩短了 １ ／ １０ 的聚 类时间。 同 ＭＰ 算法相比，本文算法虽然增加了 广义遗产算法等一系列操作，但是这些操作大多 能与模板缩减法相结合且不会增加太多计算复 杂性，如图 １ 所示，本文算法同 ＭＰ 算法在开始的 周期执行时间基本相等。 所以本文算法能够在 增强聚类精度的基础上提高部分聚类速度。 总体来看，本文算法能够在基本不降低聚类算 法精度的前提下，缩短大量的聚类时间。 ３ 结束语 随着规模庞大、结构复杂数据的不断出现，对其 聚类往往需要耗费大量的时间。 但是当今大量文献 研究往往都着眼于提高其准确度，很少针对聚类速 度。 本文基于模板缩减的粒子群聚类算法，将其与一 种改进的广义遗传算法充分结合，不仅能够提高种群 的多样性而且能够对模板缩减过程中必要的信息进 行存储保护。 实验表明，本文算法能够在基本不降低 聚类精度的前提下，显著地缩短聚类时间。 但是本文 基本模板缩减的粒子群聚类算法，精度不可避免带有 些许的损失，特别是当类数增加时误差会较大。 对于 这一问题，应该是还没有将遗传算法的全部优点挖掘 出来，下一步还有待改进。 参考文献： ［１］ＬＩ Ｃｈａｏｓｈｕｎ， ＺＨＯＵ Ｊｉａｎｚｈｏｎｇ， ＫＯＵ Ｐａｎｇａｏ， ｅｔ ａｌ． Ａ ｎｏ⁃ ｖｅｌ ｃｈａｏｔｉｃ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ｂａｓｅｄ ｆｕｚｚｙ ｃｌｕｓｔｅ⁃ ｒｉｎｇ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ， ２０１２， ８３： ９８⁃１０９． ［２］ＢＥＨＥＳＨＴＩ Ｚ， ＳＨＡＭＳＵＤＤＩＮ Ｓ Ｍ Ｈ． ＣＡＰＳＯ： Ｃｅｎｔｒｉｐｅｔａｌ ａｃｃｅｌｅｒａｔｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ ｓｃｉ⁃ ｅｎｃｅｓ， ２０１４， ２５８： ５４⁃７９． ［３］ＳＵＮ Ｊｕｎ， ＣＨＥＮ Ｗｅｉ， ＦＡＮＧ Ｗｅｉ， ｅｔ ａｌ． Ｇｅｎｅ ｅｘｐｒｅｓｓｉｏｎ ｄａｔａ ａｎａｌｙｓｉｓ ｗｉｔｈ ｔｈｅ ｃｌｕｓｔｅｒｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ａｎ ｉｍ⁃ ｐｒｏｖｅｄ ｑｕａｎｔｕｍ⁃ｂｅｈａｖｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ［ Ｊ］． Ｅｎｇｉｎｅｅｒｉｎｇ ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０１２， ２５ （２）： ３７６⁃３９１． ［４］秦全德， 李丽， 程适， 等． 交互学习的粒子群优化算法 ［Ｊ］． 智能系统学报， ２０１２， ７（６）： ５４７⁃５５３． ＱＩＮ Ｑｕａｎｄｅ， ＬＩ Ｌｉ， ＣＨＥＮＧ Ｓｈｉ， ｅｔ ａｌ． Ｉｎｔｅｒａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１２， ７（６）： ５４７⁃５５３． ［５］ＳＯＬＡＩＭＡＮ Ｂ Ｆ， ＳＨＥＴＡ Ａ Ｆ． Ｅｎｅｒｇｙ ｏｐｔｉｍｉｚａｔｉｏｎ ｉｎ ｗｉｒｅ⁃ ｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ ｕｓｉｎｇ ａ ｈｙｂｒｉｄ Ｋ⁃ｍｅａｎｓ ＰＳＯ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｔｕｒｋｉｓｈ Ｊｏｕｒｎａｌ ｏｆ ｅｌｅｃｔｒｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ ｃｏｍｐｕｔｅｒ ｓｃｉｅｎｃｅｓ， ２０１５． ［６］ ＤＡＳＨ Ｐ， ＮＡＹＡＫ Ｍ． Ｍｕｌｔｉｌｅｖｅｌ ｔｈｒｅｓｈｏｌｄｉｎｇ ｕｓｉｎｇ ＰＳＯ ｃｌｕｓｔｅｒｉｎｇ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒ ａｐｐｌｉｃａ⁃ ｔｉｏｎｓ， ２０１４， ９７（１８）： ２７⁃３２． ［７］ＣＨＩＡＮＧ Ｍ Ｃ， ＴＳＡＩ Ｃ Ｗ， ＹＡＮＧ Ｃ Ｓ． Ａ ｔｉｍｅ⁃ｅｆｆｉｃｉｅｎｔ ｐａｔｔｅｒｎ ｒｅｄｕｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｋ⁃ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ［Ｊ］． Ｉｎｆｏｒ⁃ ｍａｔｉｏｎ ｓｃｉｅｎｃｅｓ， ２０１１， １８１（４）： ７１６⁃７３１． ［８］ＴＳＡＩ Ｃ Ｗ， ＨＵＡＮＧ Ｋ Ｗ， ＹＡＮＧ Ｃ Ｓ， ｅｔ ａｌ． Ａ ｆａｓｔ ｐａｒｔｉ⁃ ｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ ｃｌｕｓｔｅｒｉｎｇ ［ Ｊ］． Ｓｏｆｔ ｃｏｍｐｕｔｉｎｇ， ２０１５， １９（２）： ３２１⁃３３８． ［９］ＦＩＬＨＯ Ｔ Ｍ Ｓ， ＰＩＭＥＮＴＥＬ Ｂ Ａ， ＳＯＵＺＡ Ｒ Ｍ Ｃ Ｒ， ｅｔ ａｌ． Ｈｙｂｒｉｄ ｍｅｔｈｏｄｓ ｆｏｒ ｆｕｚｚｙ ｃｌｕｓｔｅｒｉｎｇ ｂａｓｅｄ ｏｎ ｆｕｚｚｙ ｃ⁃ｍｅａｎｓ ａｎｄ ｉｍｐｒｏｖｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ［ Ｊ］． Ｅｘｐｅｒｔ ｓｙｓ⁃ ｔｅｍｓ ｗｉｔｈ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１５， ４２（１７ ／ １８）： ６３１５⁃６３２８． ［１０］ＲＡＮＡ Ｓ， ＪＡＳＯＬＡ Ｓ， ＫＵＭＡＲ Ｒ． Ａ ｂｏｕｎｄａｒｙ ｒｅｓｔｒｉｃｔｅｄ ａｄａｐｔｉｖｅ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ ｄａｔａ ｃｌｕｓｔｅｒｉｎｇ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ ｊｏｕｒｎａｌ ｏｆ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｎｄ ｃｙｂｅｒｎｅｔｉｃｓ， ２０１３， ４（４）： ３９１⁃４００． ［１１］张亮， 杨国正． 一种变维搜索的量子粒子群优化聚类算 法［Ｊ］． 小型微型计算机系统， ２０１２， ３３（４）： ８０４⁃８０８． ＺＨＡＮＧ Ｌｉａｎｇ， ＹＡＮＧ Ｇｕｏｚｈｅｎｇ． Ａ ｑｕａｎｔｕｍ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｕｓｉｎｇ ｖａｒｉａｂｌｅ ｄｉ⁃ ｍｅｎｓｉｏｎｓ ｓｅａｒｃｈｉｎｇ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ ｃｏｍｐｕｔｅｒ ｓｙｓ⁃ ｔｅｍｓ， ２０１２， ３３（４）： ８０４⁃８０８． ［１２］ＡＨＭＡＤＹＦＡＲＤ Ａ， ＭＯＤＡＲＥＳ Ｈ． Ｃｏｍｂｉｎｉｎｇ ＰＳＯ ａｎｄ ｋ⁃ ｍｅａｎｓ ｔｏ ｅｎｈａｎｃｅ ｄａｔａ ｃｌｕｓｔｅｒｉｎｇ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｉｎ⁃ ｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ． Ｔｅｈｒａｎ， Ｉ⁃ ｒａｎ， ２００８： ６８８⁃６９１． 作者简介： 贾旋，男，１９９２ 年生，硕士研究生， 主要研究方向为人工智能与模式识别。 周治平， 男， １９６２ 年生， 教授， 博 士，主要研究方向为智能检测、自动化 装置、网络安全等。 ·５６６· 智 能 系 统 学 报 第 １１ 卷