2019.7.16

CLARANS

       CLARANS是分割方法中基于随机搜素的大型应用聚类算法，该算法是一种改进的K-MEDOID方法。与以前的k-Medoid算法相比，Clarans更有效。更有效率。实验结果表明，CLARANS能在数千个对象的数据库上高效运行。

       它首先随机选择一个点作为当前点，然后随机检查它周围不超过参数Maxneighbor 个的一些邻接点，假如找到一个比它更好的邻接点，则把它移人该邻接点，否则把该点作为局部最小量。然后再随机选择一个点来寻找另一个局部最小量，直至所找到的局部最小量数目达到用户要求为止。该算法要求聚类的对象必须都预先调人内存，并且需多次扫描数据集，这对大数据量而言，无论时间复杂度还是空间复杂度都相当大。虽通过引人R-树结构对其性能进行改善，使之能够处理基于磁盘的大型数据库，但R*-树的构造和维护代价太大。该算法计算效率低下，且对脏数据和异常数据不敏感，但对数据输入顺序异常敏感，且只能处理凸形或球形边界聚类。

       算法步骤：

       第 1 步：输入参数numlocal 和maxneighbor。
　　第 2 步：从 n 个目标中随机地选取k 个目标构成质心集合，并令它们作为current。
　　第 3 步：令 j 等于1。
　　第 4 步：从第 2 步中剩下的n–k 个目标集中随机选取一个目标，并用之替换质心集合中随机的某一个质心可得到一个新的质心集合，计算两个质心集合的代价差（这一点和PAM相似，只是变成了随机选取替换对象和被替换对象）。
　　第 5 步：如果新的质心集合代价较小则将其赋给current，重置j=1，否则j+=1。
　　第 6 步：直到j大于等于maxneighbor，则current为此时的最小代价质心集合。
　　第 7 步：重复以上步骤numlocal次，取其中代价最小的质心集合为最终质心集合。
　　第 8 步：按照最终质心集合进行划分并输出。