摘要：近些年来随着信息化的不断深入，人们的生活中需要获取更多的数据。因此一时间数据挖掘成为信息产业界的热门话题，聚类分析是数据挖掘的基础，也是一种自学习、自适应的过程，聚类的最终目标是在没有给定任何有关知识的条件下，将各种不同的数据聚集成不同的类别。本文给出了一种基于遗传算法的聚类分析方法。采用浮点数数据的编码方式对聚类的中心进行编码，并且通过选择、交叉和变异等操作对聚类中心的编码进行优化，使得到聚类划分效果最好的聚类中心。

遗传算法是一种依据生物自然进化的模式来寻找最优解的方法，有效的利用全局搜索信息和其中的隐含并行性是它的主要优点。因此，基于遗传算法来研究聚类问题，有效的互补了聚类问题中的局部寻优能力，从而更好的解决聚类问题。本文主要工作包括：

介绍了聚类分析的概念，常见的聚类方法以及遗传算法的基本概念、研究现状等，并进行了相应的分析。

采用了基于聚类中心的浮点编码方式，对遗传算法的基本要素的设计进行了理论的分析与公式推导，对聚类数目K值确定做了相应研究，使得聚类算法具有更普遍的意义。

    关键字：遗传算法;适应度函数;聚类分析;自然进化

目录

摘要

ABSTRACT

1.1  课题研究背景以及意义-1

1.2  本文研究的主要内容及安排-1

2  聚类分析-2

2.1  聚类分析的基本概念-2

2.2  聚类准则函数-2

2.2.1  类间距离准则-2

2.2.2  类间距离准则-3

2.3  常见的三种聚类方法-4

2.3.1  近邻聚类法-4

2.3.2  层次聚类法-4

2.3.3  动态聚类算法-5

3  遗传算法-7

3.1  遗传算法的基本原理-7

3.2  遗传算法的基本术语-7

3.3  遗传算法的特点-8

3.4  遗传算法的描述及流程-8

4  遗传算法的matlab实现-10

4.1  算法基本流程-10

4.2  参数的设置-10

4.3  编码的方法-11

4.4  种群的初始化-11

4.5  适应度函数的设计-11

4.6  选择操作-11

4.7  交叉操作-12

4.8  变异操作-13

5  仿真实验-14

5.1  实验环境-14

5.2  实验数据-14

5.3  实验结果和实验分析-15

6  总结与展望-19

6.1  总结-19

6.2  展望-19

致谢-21

参考文献-22