APSO-TVAC 演算法應用於資料分群問題

Abstract

資料之分群可協助使用者從龐大的資料中，辨 別資料間的結構與簡化資料複雜性，並從中粹取出有意義 的資訊，分群結果之優劣，將直接影響使用者之分析結 論。本研究提出粒子族群最佳化演算法(Particle Swarm Optimization, PSO) 搭配動態調整學習因子之概念 (Time-Varying Acceleration Coefficients, TVAC)，以增強 搜索全域最佳解之能力，並結合加速策略(Acceleration strategy)以加快PSO 之收斂速度，使其在解空間中之搜尋 過程能擁有更強健之能力及穩定性，稱為APSO-TVAC。 本研究使用六個真實資料集來對所提出之方法進行實 驗，並與相關文獻已提出之分群演算法進行群集內距離總 和、錯誤率與計算適應函數總數的比較。實驗結果顯示， 與文獻之多種分群法相較，本研究方法能有效提高分群問 題之效能及效率。