8.12 聚类分析

聚类[24]是经典的无监督学习方法，旨在将样本分类使得同类样本间距离尽可能小，异类样本间距离尽可能大。目前已有不少用来衡量聚类结果好坏的指标，但是几乎不存在单个指标能够满足不同用户的要求。通过同时优化聚类的多个性能指标，多目标演化算法（如 PESA-II、SPEA-II、NPGA 等）已取得成功应用[25] 。比如，文献 [26] 为每一个样本赋予一个属于 {1,2,…,K} 的值，取值为 i 表示该样本属于第 i 个类，并采用多目标演化算法 PESA-II 去优化聚类的两个性能指标：
其中，第 1 项表示最小化类内距离；第 2 项使相邻样本尽量属于同类。实验结果表明，相比仅优化单个性能指标的演化算法，以及传统的聚类方法如k-means 等，多目标演化算法获得的聚类结果更好。