基于密度和中心指标的Canopy二分K-均值算法优化

针对二分K-均值算法由于随机选取初始中心及人为定义聚类数而造成的聚类结果不稳定问题,提出了基于密度和中心指标的Canopy二分K-均值算法SDC_Bisecting K-Means。首先计算样本中数据密度及其邻域半径;然后选出密度最小的数据并结合Canopy算法的思想进行聚类,将得到的簇的个数及其中心作为二分K-均值算法的输入参数;最后在二分K-均值算法的基础上引入指数函数和中心指标对原始样本进行聚类。利用UCI数据集和自建数据集进行模拟实验对比,结果表明SDC_Bisecting K-Means不仅使得聚类结果更精确,同时算法的运行速度更快、稳定性更好。

基于改进的SVD算法和二分K-均值聚类算法的协同过滤算法

针对传统的协同过滤算法存在稀疏性较大和扩展性较差的问题,提出了基于改进的奇异值分解(SVD)算法和二分K-均值聚类算法的协同过滤算法.该算法首先利用改进的SVD算法对稀疏的用户-项目评分矩阵进行降维,获得用户隐含特征矩阵,然后运用二分K-均值聚类算法对相似用户进行聚类来提升算法的可扩展性,最后利用最近邻居集的评分修正目标用户的评分,以减小因矩阵分解导致用户信息丢失造成的误差.利用MovieLens 100K数据集进行的实验结果表明,与传统的基于用户的协同过滤算法、基于K-均值聚类的协同过滤算法和隐语义模型(LFM)算法相比,本文提出的算法能够有效提高推荐结果的准确性.

基于免疫算法的地下物流中转分配节点选址研究

互联网加速了物流业发展,地下物流网络节点选址成为新的研究热点。将二分K-均值算法和免疫算法相结合,对物流中转分配节点(一、二级节点)选址进行了研究。首先根据问题的约束条件和优化目标建立物流一、二级节点选址数学模型,然后采用二分K-均值算法和免疫算法求解最佳一、二级节点选址方案。对南京市仙林区110个物流节点分配方案进行实验,结果表明该算法能很好地解决组合优化问题。