1、聚類問(wèn)題一直是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)重要研究方向。雖然傳統(tǒng)的劃分聚類算法方法簡(jiǎn)單、執(zhí)行速度快且效率高，但是由于其迭代法和爬山法的本質(zhì)，使得算法容易陷入局部最優(yōu)而得不到全局最優(yōu)解。而且算法需要人為預(yù)先指定類別個(gè)數(shù)，同時(shí)對(duì)于不同屬性的數(shù)據(jù)效果差異很大，即算法的通用性不高。近年來(lái)，隨著演化計(jì)算的不斷發(fā)展，聚類算法同演化計(jì)算的結(jié)合日益廣泛。利用演化計(jì)算隨機(jī)、最優(yōu)化全局搜索特征，同傳統(tǒng)的聚類算法形成有效的互補(bǔ)，很好的解決了傳統(tǒng)聚類算法易陷入局部最優(yōu)而

2、得不到全局最優(yōu)解的不足。但是對(duì)于傳統(tǒng)算法的另外兩個(gè)不足，現(xiàn)有的演化聚類算法仍然沒(méi)有找到行之有效的解決方法。本文在現(xiàn)有的演化聚類算法的基礎(chǔ)上，引入多目標(biāo)優(yōu)化策略，采用變長(zhǎng)染色體編碼方式，提出了一種新穎的聚類方法——基于多目標(biāo)演化算法的動(dòng)態(tài)聚類方法，較好的解決了現(xiàn)有算法的不足。本文的主要工作和特色如下： (1)采用變長(zhǎng)染色體編碼方式使得算法可以進(jìn)行動(dòng)態(tài)聚類。各個(gè)染色體長(zhǎng)度的不同意味著各個(gè)染色體所包括的類別數(shù)目的不同，這樣在編碼的同時(shí)

3、可以選擇不同的類別數(shù)目而不相互干擾，并在演化過(guò)程中同時(shí)完成對(duì)類別個(gè)數(shù)以及每個(gè)類的優(yōu)化，實(shí)現(xiàn)了不需要預(yù)設(shè)類別數(shù)目的動(dòng)態(tài)聚類。 (2)將多目標(biāo)優(yōu)化策略引入聚類方法。算法采用多個(gè)適應(yīng)度函數(shù)而不是傳統(tǒng)的單個(gè)適應(yīng)度函數(shù)，將聚類問(wèn)題視為多目標(biāo)優(yōu)化問(wèn)題。使用多個(gè)適應(yīng)度函數(shù)使得算法對(duì)于不同屬性的數(shù)據(jù)集都具有良好的聚類效果，提高了算法的通用性。 (3)基于GapStatistic理論，設(shè)計(jì)了一種從最優(yōu)解集(ParetoOptimalSet