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。首先根據模糊聚類隸屬度基數，自動計算算法聚類類別數。然后，運用模擬退火遺傳混合算法優化初始聚類中心。最后，根據航材保障數據，對航材進行聚類分析。

關鍵詞：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的關鍵一環。飛機由于精密程度高，零備件數量極多，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，聚類類別數和初始聚類中心的選擇直接影響聚類的結果。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管理提供依據。

1 模糊C均值聚類

模糊C均值聚類算法是一種無監督的聚類分析方法，該方法將樣本按照某種規則分成數個類別，分類結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均值算法是根據先驗知識進行指導的聚類分析，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，得到錯誤的聚類結果。而傳統的模糊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者研究的方向。對于聚類類別數的確定，引入模糊聚類隸屬度基數，自動確定最優聚類數目。對于聚類中心的初始值優化，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。

步驟2 計算聚類模糊隸屬度基數，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，求目標函數最小，并初始化循環計數變量。

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 如果迭代結果小于閾值則迭代結束，否則繼續進行計算。

3 實例驗證

3.1 數據準備

航材聚類分析的數據來源是航材保障日常業務流水數據，從中選擇了800想數據，每項包括21個屬性，其中分為分類變量和連續性變量兩類。

3.2 航材聚類分析

按第二章的優化算法流程對航材數據進行聚類，可知當聚類類別數為15時，目標函數達到最優，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據進行分析，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，因此要設立較高的安全庫存量或增大訂貨量。

4 結語

航材管理工作是一項涉及面廣的復雜工作，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依據，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，最高學歷：本科，目前職稱：碩士研究生，研究方向：控制科學與技術。