1、文章也被应用,。另种有效检查串方法是采样但不替换。如果最大可尝试交叉次数是，但是系列无效交叉点不得不被保留。值注意是，无效染色体拥有更少聚类中心却拥有更大适应度函数值，因此它们最终将被驱除。但是为了能够减少进化时间浪费和为有效染色体腾出空间产生更好有效下代，这样染色体应该尽早从种群中排除。变异。变异是对个字符偶尔随机改变。在染色体交叉后产生中每个字符,.,，都有相同概率遭受变异。值得注意是，任何染色体都可以从任意指定染色体中经过变异产生。当然，变异算子也能从理论上产生无效后代。因此，如果需要话，个检查染色体有效性相似过程如同交叉后在变异后能被合并。在我们所有实验中，变异没有产生无效染色体，所以也就没有必要在变异后检查染色体有效性。变异使得种群增加了多样性。虽然变异率经常是非常低，但是它却在进化过程中扮演着重要角色,。变异率通常被设在区间,.，且保持不变。有时候，它也随着迭代次数而变化,。。
2、果聚类集合用.,表示，那么需满足以下几个条件,,.聚类方法大体上可分为两种层次聚类和非层次聚类,算法是众多非层次方法中应用最为广泛算法，其主要在给定目标函数上寻优。它力求寻找到模式和其聚类中心欧氏距离之和最小值，但是这种算法容易收敛到局部最优解,。复杂问题全局最优解已被证明不能在个可行计算时间内找到,。这就使得些解决内在优化问题近似方法得以发展。许多这类技术能够找到局部最优解，却不定能够达到全局最优解,。在本文中，我们尝试使用遗传算法寻找聚类问题最优解。实验结果将在些模拟和实际数据上呈现。第二部分是问题描述，第三部分是我们所提遗传算法细节，第三部分是实验结果与分析。二问题描述已有些方法度量如何将给定数聚集进行聚类。种用于聚类原则是尽量减少来自各个聚类集合数据点欧氏距离平方之和。数学描述如下,,,是个数据集合其中是中个模式向量，是中数据点数目目标函数是。在满足第。
3、个体被选择概率与其适应度值成正比寻找最大值或者成反比寻找最小值。本文所研究是最小值问题，所以被选择概率与适应度成反比。交配池大小和种群大小样。交叉。交叉改变两个父代基因信息并且产生下代个体。对染色体从交配池中被随机选择，然后交叉以概率以如下方式进行。从范围,随机产生个交叉点，那么染色体和被染色体和代替，其中交配池中交叉算子通过以下方式表现从交配池中随机选择对编码串，这样使得交配池中个体都直接属于其中对编码串。对于每对编码串，随即产生到随机数，如果那么进行交叉，否则不进行交叉交叉操作。通常在遗传算法中，交叉率被设置成在.,范围内。在本文中是.并且每代种群大小是.上述所讲交叉作用在个位置，叫做单点交叉算子,。单点交叉算子可能存在个问题。子代也许只有更少聚类中心。例如，如果我们在串和中第三个位置点采用单点交叉，那么产生两。
4、处理，机器学习等领域，遗传算法已经在理论和实际运用中被发现能够找到复杂优化问题全局近似解.,。当用遗传算法解决优化问题时，每种可行解通常被编码成定长度二进制串称为染色体。每个串或者染色体被称作是个个体，所有个体集合称作种群。遗传算法从个随即产生大小为种群开始，并在每次迭代中，同大小种群从当代种群中在个体中使用两种基本算子产生。这两种算子是选择和重组，并且重组又由交叉和变异算子组成。在遗传算法中，目前各个局部区域内所获得最好可行解将被保留为了算法在整个进化过程中能够报告已发现最优解。在本文中，我们采用精英选择方式，使得上代发现最优解能够被保留到当代种群中。接下来这节将描述用于聚类问题遗传算法细节。首先是编码和初始化种群，然后是基因算子和其使用方法，最后是遗传算法终止条件。.编码和初始化种群编码。为了解决划分问题，我们必须编码划分使得其能够用遗传算子来调节。我们将个划分编码成长度为染色体是数据集数据点。
5、所描述目标函数。初始化种群。遗传算法初始种群通常被随机选取。在目前实现中，长度为编码串每位元素被指定范围为到随机数。当然，个聚类中心集合必须包含个数据点，否则这个编码串将是无效以此来避免在无效编码串上浪费进化时间。目前还没有如何选择初始种群大小方法。在本文中，并且在整个进化过程中种群大小保持不变。值得注意是，如果迭代次数是无穷，那么遗传算法精英选择方式能够在任意初始种群情况下提供最优值.,。.遗传算子选择。选择算子类似达尔文生物进化论中“适者生存，不适者淘汰”思想。从种群中选择出来染色体组成个交配池。个体被选择概率与其适应度值成正比寻找最大值或者成反比寻找最小值。本文所研究是最小值问题，所以被选择概率与适应度成反比。交配池大小和种群大小样。交叉。交叉改变两个父代基因信息并且产生下代个体。对染色体从交配池中被随机选择，然后交叉以概率以如下方式进行。从范围,随机产生。
6、部分条件下最小化目标函数是非凸，因此聚类问题可能找到局部最小值而不是全局最小解,。事实上，为了找到最优解.中所有可能聚类中心都被考虑。因此，考虑到计算机内存和速度，在允许时间内找到问题精确解只有在理论上存在可能。如果通过枚举方式求解，那么有,中可能其中,!这明显地显示了在有限计算时间内采用枚举法解决现实生活中绝大多数聚类问题是不可能。例如，本文所使用原油数据精确解要求考虑,种划分,。因此，启发式估算方法是在寻找种折中或者在不需要全局最优值情况下考虑局部最优解。在本文中我们应用遗传算法寻找给定聚类问题目标函数最优解。下部分将描述算法细节。三基于遗传算法聚类分析遗传算法是基于自然基因系统规则启发式搜索方法,。遗传算法为了求解优化问题中适应度函数最优值来搜索解空间。不像其他搜索方法，遗传算法同时搜索多个可行解并且计算他们适应度函数值。在运筹学，超大规模集成电路设计，模式识别，图像。
7、我们将考虑变化变异率值，理由将在下个子节中阐述。精英策略。精英策略目是将上代最好个体直接遗传至当代。通过以下方式实现这个策略记录初始种群中最好个体，记作种群经历选择，交叉，变异算子后产生新种群根据适应度值比较中最差个体和。如果比差，那么用代替记录中最好个体代替注意。步骤将被重复执行直到终止条件被满足。如果个体适应度小于，那么个体好于。因为考虑问题是求最小值问题。.算法终止条件从文献,可得，并不存在确保遗传算法收敛到最优解终止条件。通常，在遗传算法中有两种终止条件被采用。第种是，设置个固定迭代次数并且最好个体作为最优解。第二种是，在固定迭代次数内，最好个体适应度值并没有得到多大改善，那么终止运行，并且最好个体作为最优解。在实验中我们采用第种方式。注意到在所有实验中种群大小是。如果有个更高种群大小，那么对于同个搜索空间可能只需要更少迭代次数终止算法运行。如果种群大小相同，但是搜索空间大小不同，那么终止。
8、时间基于遗传算法聚类方法最大迭代次数也将不同详见第部分。些关于遗传算法精英模型终止时间理论方面讨论也被讨论.,。为了获得最优解，我们必须保持种群多样性，也就是，要有高变异率值。另.,.,,,.,.,,.,,.,.,.,.,.,,.,.,.,.,.,,,.,,.,,.,,.将个划分编码成长度为染色体是数据集数据点数目。串中第个元素代表被分配到哪个聚中心。例如，有划分那么被编码成。我们使用这种编码方式是为了能够使用标准单点交叉算子。编码串中第个元素代表数据集中第个数据点所属聚类中心。因此，每个编码串代表种可行聚类方式并且适应度函数值是每个数据点到各自聚类中心欧氏距离平方之和。所以，这里适应度函数就是第节所描述目标函数。初始化种群。遗传算法初始种群通常被随机选取。在目前实现中，长度为编码串每位元素被指定范围为到随机数。当然，个聚类中心集合必须包含个数据点，否则这个编码串将是无效以此来避免在无效编码串。
9、优解。第二种是，在固定迭代次数内，最好个体适应度值并没有得到多大改善，那么终止运行，并且最好个体作为最优解。在实验中我们采用第种方式。注意到在所有实验中种群大小是。如果有个更高种群大小，那么对于同个搜索空间可能只需要更少迭代次数终止算法运行。如果种群大小相同，但是搜索空间大小不同，那么终止时间基于遗传算法聚类方法最大迭代次数也将不同详见第部分。些关于遗传算法精英模型终止时间理论方面讨论也被讨论.,。为了获得最优解，我们必须保持种群多样性，也就是，要有高变异率值。另将个划分编码成长度为染色体是数据集数据点数目。串中第个元素代表被分配到哪个聚类中心。例如，有划分那么被编码成。我们使用这种编码方式是为了能够使用标准单点交叉算子。编码串中第个元素代表数据集中第个数据点所属聚类中心。因此，每个编码串代表种可行聚类方式并且适应度函数值是每个数据点到各自聚类中心欧氏距离平方之和。所以，这里适应度函数就是第节。
10、个交叉点，那么染色体和被染色体和代替，其中交配池中交叉算子通过以下方式表现从交配池中随机选择对编码串，这样使得交配池中个体都直接属于其中对编码串。对于每对编码串，随即产生到随机数，如果那么进行交叉，否则不进行交叉交叉操作。通常在遗传算法中，交叉率被设置成在.,范围内。在本文中是.并且每代种群大小是.上述所讲交叉作用在个位置，叫做单点交叉算子,。单点交叉算子可能存在个问题。子代也许只有更少聚类中心。例如，如果我们在串和中第三个位置点采用单点交叉，那么产生两个子代和。值得注意是第个子代只有两个聚类中心而不是三个。为了避免这个问题，我们同时使用采样和替换。换句话说，我们重复交叉直到产生子代有个聚类中心或者直到尝试交叉次数到达我们限制次数是。如果当限制次数达到但是还没有找到具有个聚类中心子代，那么就随机选取个父代直接作为子代。值得注意是，我们采取措施在之前。
11、数目。串中第个元素代表被分配到哪个聚类中心。例如，有划分那么被编码成。我们使用这种编码方式是为了能够使用标准单点交叉算子。编码串中第个元素代表数据集中第个数据点所属聚类中心。因此，每个编码串代表种可行聚类方式并且适应度函数值是每个数据点到各自聚类中心欧氏距离平方之和。所以，这里适应度函数就是第节所描述目标函数。初始化种群。遗传算法初始种群通常被随机选取。在目前实现中，长度为编码串每位元素被指定范围为到随机数。当然，个聚类中心集合必须包含个数据点，否则这个编码串将是无效以此来避免在无效编码串上浪费进化时间。目前还没有如何选择初始种群大小方法。在本文中，并且在整个进化过程中种群大小保持不变。值得注意是，如果迭代次数是无穷，那么遗传算法精英选择方式能够在任意初始种群情况下提供最优值.,。.遗传算子选择。选择算子类似达尔文生物进化论中“适者生存，不适者淘汰”思想。从种群中选择出来染色体组成个交配池。。
12、上浪费进化时间。目前还没有如何选择初始种群大小方法。在本文中，并且在整个进化过程中种群大小保持不变。值得注意是，如果迭代次数是无穷，那么遗传算法精英选择方式能够在任意初始种群情况中文字出处,.本科毕业设计外文翻译届论文题目基于遗传算法聚类分析研究基于遗传算法聚类分析研究,摘要遗传算法通常被描述成能够在个有限样本函数值内寻找最优值搜索过程。在本文中，用于尝试寻找关于聚类问题目标函数值最优值。些在模拟和实际数据集上实验结果展示了这种方法有效性。算法是解决聚类问题最常用算法之，对实验结果分析也展示了本文所提出算法也能够改善算法输出结果。引言聚类是观察数据内在结构种重要手段。更具体地，聚类分析目标,是将模式特别是高维空间向量分成簇过程，使得同簇内数据高度同质，不同簇内数据高度相异。我们假设给定模式属于维欧几里德空间，那么相异度就可以用欧氏距离来度量。我们假定模式集是.其中是第个模式向量。聚类中心数是。如。
参考资料：
（外文翻译）基于遗传算法的聚类分析研究（外文+译文）