优化初始聚类中心选择的K-means算法

K-means算法的聚类效果与初始聚类中心的选择以及数据中的孤立点有很大关联,具有很强的不确定性。针对这个缺点,提出了一种优化初始聚类中心选择的K-means算法。该算法考虑数据集的分布情况,将样本点分为孤立点、低密度点和核心点,之后剔除孤立点与低密度点,在核心点中选取初始聚类中心,孤立点不参与聚类过程中各类样本均值的计算。按照距离最近原则将孤立点分配到相应类中完成整个算法。实验结果表明,改进的K-means算法能提高聚类的准确率,减少迭代次数,得到更好的聚类结果。     

物流网络规划的Fuzzy集成优化模型与算法

从整合的物流网络系统出发,根据各节点固定运营成本、运输成本、库存持有成本、分拣成本4方面综合决策,使用LR型模糊数建立了物流分销系统的Fuzzy集成优化模型.为求解该模型,进行了确定化处理,使之转化为一个确定型多目标线性规划模型,并设计了一个求解该模型的遗传算法,以此解决系统中给定潜在设施的位置选择、运输路线选择、配送中心最优订货量,实现了网络全局最优.最后通过算例进行了测算,结果证明了该模型、算法的有效性.