求基于粒子群优化K均值算法matlab代码

Question

如题k，急求。

Answer 1

% Kmeans Cluster Algorithm Based on Particle Optimization Algorithm
% Ajustice parameter w = wmax - t*(wmax-wmin)/M
clc;
clear all;
format long;
tic
%------初始化------------求最小值
%数据，已经归一化
sam=[1.0000 1.0000 0.7476 0.6267 0.1696 0.0710 0.2532 0.8110
    0.3188 0.3656 0.8707 0.7704 0.5559 0.5153 0.9213 0.7017
    0.5548 0.7423 1.0000 0.5910 1.0000 1.0000 0.8976 1.0000
    0.7800 0.7181 0.6875 1.0000 0.2115 0.0214 0.1573 0.8938
    0.2680 0.3238 0.9036 0.8210 0.5874 0.3840 0.7037 0.5142
    0.6928 0.6630 0.7368 0.8787 0.1818 0.0786 0.2295 0.3820
    0.4256 0.4978 0.8429 0.9161 0.7133 0.3130 1.0000 0.7809];
N=50; %粒子数
c1=1.2; %学习因子1
c2=1.2; %学习因子2
wmax=0.9; %最大加权系数
wmin=0.4; %最小加权系数
M=200; %最大迭代数
K=4; %类别数，根据需要修改
[S D]=size(sam); %样本数和特征维数
v=rand(N,K*D); %初始速度

%初始化分类矩阵
for i=1:N
    clmat(i,:)=randperm(S); %随机取整数50*7
    clmat(i,clmat(i,:)>K)=ceil(rand(1,sum(clmat(i,:)>K))*K);
end
%clmat(clmat>K)=fix(rand*K+1); %取整函数:fix(x), floor(x) :,ceil(x) , round(x)
fitt=inf*ones(1,N); %初始化个体最优适应度
fg=inf; %初始化群体最优适应度
fljg=clmat(1,:); %当前最优分类
x=zeros(N,K*D); %初始化粒子群位置
y=x; %初始化个体最优解
pg=x(1,:); %初始化群体最优解
cen=zeros(K,D); %类别中心定维
fitt2=fitt; %粒子适应度定维

%%
%------循环优化开始------------
for t=1:M
    for i=1:N
        ww = zeros(S,K);
        for ii = 1:S
            ww(ii,clmat(i,ii)) = 1; %加权矩阵，元素非0即1
        end
        ccc=[]; tmp=0;
        for j = 1:K
            sumcs = sum(ww(:,j)*ones(1,D).*sam);
            countcs = sum(ww(:,j));
            if countcs==0
                cen(j,:) =zeros(1,D);
            else
                cen(j,:) = sumcs/countcs; %求类别中心
            end
            ccc=[ccc,cen(j,:)]; %串联聚类中心
            aa=find(ww(:,j)==1);
            if length(aa)~=0
                for k=1:length(aa)
                    tmp=tmp+(sum((sam(aa(k),:)-cen(j,:)).^2));
                end
            end
        end
        x(i,:)=ccc;
        fitt2(i) = tmp; %Fitness value
    end
    %更新群体和个体最优解
    for i=1:N
        if fitt2(i)<fitt(i)
            fitt(i)=fitt2(i);
            y(i,:)=x(i,:); %个体最优
            if fitt2(i)<fg
                pg=x(i,:); %群体最优
                fg=fitt2(i); %群体最优适应度
                fljg=clmat(i,:); %当前最优聚类
            end
        end
    end
    bfit(t)=fg; %最优适应度记录
    w = wmax - t*(wmax-wmin)/M; %更新权重,线性递减权重法的粒子群算法
    for i=1:N
        %更新粒子速度和位置
        v(i,:)=w*v(i,:)+c1*rand(1,K*D).*(y(i,:)-x(i,:))+c2*rand(1,K*D).*(pg-x(i,:));
        x(i,:)=x(i,:)+v(i,:);
        for k=1:K
            cen(k,:)=x((k-1)*D+1:k*D); %拆分粒子位置，获得K个中心
        end
        %重新归类
        for j=1:S
            tmp1=zeros(1,K);
            for k=1:K
                tmp1(k)=sum((sam(j,:)-cen(k,:)).^2); %每个样本关于各类的距离
            end
            [tmp2 clmat(i,j)]=min(tmp1); %最近距离归类
        end
    end
end
%------循环结束------------
%%
t %迭代次数
fljg %最优聚类输出
fg %最优适应度输出
figure(1)
plot(bfit);%绘制最优适应度轨迹
%figure(2)
%plot(x(1,:))
cen %聚类中心
toc