基于改進模糊C均值的航材聚類分析

任宇軒

摘 要：對模糊C均值聚類算法進行改進，提出了一種基于改進模糊C均值的航材聚類分析。首先根據(jù)模糊聚類隸屬度基數(shù)，自動計算算法聚類類別數(shù)。然后，運用模擬退火遺傳混合算法優(yōu)化初始聚類中心。最后，根據(jù)航材保障數(shù)據(jù)，對航材進行聚類分析。

關(guān)鍵詞：航材保障;模擬退火遺傳算法;模糊C均值;聚類分析

航材保障工作是支撐飛機遂行任務(wù)的關(guān)鍵一環(huán)。飛機由于精密程度高，零備件數(shù)量極多，價值、可靠性、維修性、保障性等屬性相差較大，在航材保障工作中，對航材的管理不能一概而論，要對不同特性的航材有不同的管理方法。所以航材聚類分析在航材保障工作中就十分重要。對于聚類算法而言，聚類類別數(shù)和初始聚類中心的選擇直接影響聚類的結(jié)果。針對上述問題，本文對模糊C均值聚類算法進行了改進提出了運用模擬退火遺傳混合算法優(yōu)化的模糊C均值聚類算法對航材進行聚類分析，對航材保障工作的科學(xué)管理提供依據(jù)。

1 模糊C均值聚類

模糊C均值聚類算法是一種無監(jiān)督的聚類分析方法，該方法將樣本按照某種規(guī)則分成數(shù)個類別，分類結(jié)果中同一類別中的航材在某些特性中具有較高的相似性，而不同類別的航材相差較大。由此可見聚類分析對于航材保障工作的分類管理比較重要。

模糊C均值算法是基于目標優(yōu)化的聚類方法，該算法將n個樣本X（x1，x2……，xn）聚類為c（1

2 改進模糊C均值聚類算法

模糊C均值算法是根據(jù)先驗知識進行指導(dǎo)的聚類分析，該算法受聚類中心的初始值影響比較大。若聚類中心的初始值選擇不正確，則聚類算法會陷入局部極值點，得到錯誤的聚類結(jié)果。而傳統(tǒng)的模糊C均值算法的聚類中心是隨機確定的，而對于這一點進行改進是許多專家學(xué)者研究的方向。對于聚類類別數(shù)的確定，引入模糊聚類隸屬度基數(shù)，自動確定最優(yōu)聚類數(shù)目。對于聚類中心的初始值優(yōu)化，采用模擬退火算法和遺傳算法。具體步驟如下：

步驟1 確定算法初始值、模糊矩陣、聚類中心矩陣與控制參數(shù)。

步驟2 計算聚類模糊隸屬度基數(shù)，并與聚類閾值進行比較。

步驟3 隨機初始化聚類中心，生成Chrom，計算各個中心的隸屬度，求目標函數(shù)最小，并初始化循環(huán)計數(shù)變量。

步驟4 對種群進行選擇、變異和交叉的遺傳操作。采用隨機遍歷抽樣進行選擇，采用交叉算子交叉，隨機選擇變異的基因。

步驟5 計算聚類中心與隸屬度，更新適應(yīng)度，并進行樣本更替。

步驟6 更新模糊聚類中心矩陣與模糊聚類隸屬度矩陣。

步驟7 如果迭代結(jié)果小于閾值則迭代結(jié)束，否則繼續(xù)進行計算。

3 實例驗證

3.1 數(shù)據(jù)準備

航材聚類分析的數(shù)據(jù)來源是航材保障日常業(yè)務(wù)流水?dāng)?shù)據(jù)，從中選擇了800想數(shù)據(jù)，每項包括21個屬性，其中分為分類變量和連續(xù)性變量兩類。

3.2 航材聚類分析

按第二章的優(yōu)化算法流程對航材數(shù)據(jù)進行聚類，可知當(dāng)聚類類別數(shù)為15時，目標函數(shù)達到最優(yōu)，由于此次聚類分析中，對象多，類別多的原因，難以將每一類賦予一個實際解釋，因此我們選擇其中的一類數(shù)據(jù)進行分析，如其中一類航材，消耗適中且變化程度不大，庫存一級品占比較高，同時該類器材訂貨到貨時間較長，修理性又較差，因此要設(shè)立較高的安全庫存量或增大訂貨量。

4 結(jié)語

航材管理工作是一項涉及面廣的復(fù)雜工作，本文提出的改進模糊C均值航材聚類方法為航材管理工作提供了科學(xué)依據(jù)，能夠按照特征對航材進行分類，進而提出有針對性的管理措施，提高航材管理水平。

作者簡介：

任宇軒（1996.10-），男，漢族，籍貫：吉林白城，最高學(xué)歷：本科，目前職稱：碩士研究生，研究方向：控制科學(xué)與技術(shù)。