云环境下的高效K-Medoids并行算法

来源：计算机测量与控制杂志2016年第12期北京时间：

作者：李媛媛,孙玉强,晁亚,刘阳

单位：常州大学 信息科学与工程学院

摘要：传统聚类算法K-Medoids对初始点的选择具有随机性,容易产生局部最优解；替换聚类中心时采用的全局顺序替换策略降低了算法的执行效率；同时难以适应海量数据的运算。针对上述问题,提出了一种云环境下的改进K-Medoids算法,该改进算法结合密度法和最大最小原则得到优化的聚类中心,并在Canopy区域内对中心点进行替换,再采用优化的准则函数,最后利用顺序组合MapReduce编程模型的思想实现了算法的并行化扩展。实验结果表明,该改进算法与传统算法相比对初始中心的依赖降低,提高了聚类的准确性,减少了聚类的迭代次数,降低了聚类的时间。

关键词：云环境;K-Medoids聚类;Canopy算法;最大最小原则;MapReduce

基金资助：国家自然科学(11271057,51176016)；江苏省自然科学(BK2009535)