1、隨著互聯(lián)網(wǎng)等現(xiàn)代信息技術(shù)的飛速發(fā)展，人們必須面對(duì)海量的信息，如何對(duì)這些信息進(jìn)行整理、分類和挖掘成為人們?nèi)找骊P(guān)心的話題。聚類分析技術(shù)作為一種信息處理手段近些年來(lái)一直受到人們的關(guān)注，而且在機(jī)器學(xué)習(xí)、模式識(shí)別，數(shù)據(jù)挖掘、信息檢索等很多領(lǐng)域得到了廣泛的研究和應(yīng)用。 聚類算法主要分為基于劃分的聚類算法和基于層次的聚類算法，基于劃分的聚類算法是數(shù)據(jù)挖掘中最常用的算法，K均值算法和模糊C均值聚類算法(FCM)作為兩種重要的劃分算法在實(shí)際中廣為

2、應(yīng)用。但它們都存在三個(gè)缺點(diǎn)：類中心個(gè)數(shù)需要用戶預(yù)先指定；容易收斂到局部極小值或鞍點(diǎn)；聚類結(jié)果受初始類中心影響較大。 為了解決這幾個(gè)缺點(diǎn)，本文提出了基于進(jìn)化規(guī)劃的K均值算法(KEP)和基于進(jìn)化規(guī)劃的FCM算法(EPFCM)兩個(gè)算法。 利用進(jìn)化規(guī)劃的全局優(yōu)化能力，KEP算法避免了K均值算法易陷入局部極值和受初始類中心影響大兩個(gè)缺陷。實(shí)驗(yàn)表明，與K均值算法相比，KEP具有的顯著的聚類效果；與基于遺傳算法的K均值算法(KGA)相

3、比，KEP具有更快的速度和更優(yōu)的聚類效果。 在EPFCM算法中，借助聚類有效性指標(biāo)對(duì)聚類結(jié)果的評(píng)價(jià)和進(jìn)化規(guī)劃算法的全局優(yōu)化能力，用戶無(wú)需預(yù)先指定類中心的個(gè)數(shù)，算法可以搜索到最佳的類中心個(gè)數(shù)及其對(duì)應(yīng)的最佳聚類結(jié)構(gòu)。 為了加快算法的收斂過(guò)程，我們?cè)谶M(jìn)化規(guī)劃的迭代過(guò)程中加入了FCM算法的迭代步驟，為了能找到最佳的類中心個(gè)數(shù)，我們采用Modify算法動(dòng)態(tài)改變類中心個(gè)數(shù)。 實(shí)驗(yàn)表明，EPFCM算法可以有效地得到最佳的類中心