论文部分内容阅读
大规模的数据挖掘如聚类问题迫切需要大量计算，提出了自适应微粒群优化的并行聚类算法。通过从多种群并行地开始搜索，基于群体搜索技术的微粒群优化算法减少了初始条件的影响，采用任务并行和部分异步通信策略，降低计算时间。结合并行微粒群算法的自适应参数动态优化特性，克服群体逐渐失去迁移性而停止进化的问题，保持群体多样性从而了避免种群退化。仿真实验证明，该算法在并行机群上运行时，加快了聚类算法的计算速度，提高了聚类质量。