基于群集智能的带约束条件空间聚类分析研究

【摘要】： 空间聚类分析不仅是空间数据挖掘的重要有效方法,同时也是其它挖掘任务的前奏。空间聚类分析已经成为空间数据挖掘研究领域中一个非常活跃的研究课题。传统聚类算法忽略了真实世界中许多约束条件的存在,而约束条件的存在会影响聚类结果的合理性。在实际应用中多数情况需要在各种约束条件下进行聚类。为了提高空间聚类的实用性,必须研究空间数据挖掘中满足约束条件的聚类问题,既要找到满足特定的约束,又要具有良好聚类特性的数据分组,是一项具有挑战性的任务。 群集智能是近年来人工智能领域探讨的热门问题,它们已经在许多领域得到了成功的应用,显示了较强的发展潜力。因此,本文结合群集智能优化技术,以带障碍约束的空间聚类分析问题为主要研究对象,对遗传算法、蚁群优化算法、粒子群优化算法的理论进行研究和算法改进,并利用改进的算法来解决带障碍约束的空间聚类分析问题。具体主要研究内容和创新点如下: 1.本文首次结合群集智能优化新技术,以带障碍约束的空间聚类分析问题为主要研究对象,探索了一种基于群集智能优化技术解决带障碍约束空间聚类分析问题的新方法,开辟了带障碍约束空间聚类分析研究的新途径,开拓了群集智能应用的新领域。 2.采用多种算法融合的集成研究思路,改进了经典群集智能优化算法,提高了算法的收敛速度和搜索精度。 3.障碍距离的计算是解决带障碍约束空间聚类分析问题的关键技术之一。在分析通过可视图计算障碍距离方法的不足基础上,借鉴机器人路径规划问题解决思路,研究了一种基于改进遗传算法的格网障碍距离计算方法。该方法不仅搜索速度快,而且能处理任何复杂形状的障碍。 4.结合带障碍约束空间聚类分析问题的特点,针对遗传格网障碍距离计算方法的不足,研究了一种基于改进蚁群优化算法的格网障碍距离计算方法,在规模较大、较复杂的拥挤环境中该方法也具有良好的性能。与基于改进遗传算法的格网障碍距离方法相比,该方法具有较好的快速求解性和稳定性。同时,基于群集智能优化的格网障碍距离计算方法为GIS中空间分析的深入研究提供了新思路。 5.在深入分析基于划分的带障碍约束空间聚类的基础上,研究了一种基于遗传和划分相结合的带障碍约束空间聚类分析方法,设计了一个遗传K-Medoids带障碍约束空间聚类分析算法。该方法不仅兼顾了局部收敛和全局收敛性能,又充分考虑到了现实障碍物对聚类结果的影响,使得聚类结果更具有实际意义。 6.针对遗传划分带障碍约束空间聚类分析速度相对较慢的的不足,研究了一种基于粒子群优化和划分相结合的带障碍约束空间聚类分析方法,设计了一个粒子群优化K-Medoids带障碍约束空间聚类分析算法。其聚类结果明显优于改进的K-Medoids带障碍约束空间聚类算法,其收敛速度明显比遗传K-Medoids带障碍约束空间聚类快,其聚类效率也明显高于遗传K-Medoids带障碍约束空间聚类分析。与遗传K-Medoids带障碍约束空间聚类分析相比,该方法具有更好的可伸缩性,且所需输入的参数相对较少,更适合于对聚类速度要求较高的动态约束条件场合。 7.以郑州市公园选址为例,验证了基于群集智能优化的带障碍约束空间聚类分析方法的有效性、实用性。实际应用结果表明:在GIS中引入基于群集智能优化的带障碍约束空间聚类分析方法比一般通用的空间聚类分析方法更好地揭示其空间相关性,所做的设施区位分析结果更科学、更合理。 8.基于群集智能优化的带障碍约束空间聚类分析提高了空间聚类的实用性,能为科学合理地进行基础设施建设与布局提供决策依据,与GIS集成后可增加其智能化分析程度,同时也为提高空间数据挖掘的效率和质量提供了有力保障。