多目标进化聚类综述

数据聚类是一种常用的无监督数据挖掘工具，用于根据某种相似性/相异性度量将给定数据集划分为同质群组。传统聚类算法通常对聚类结构做出先验假设，并采用相应的合适目标函数，该函数可通过经典技术或元启发式方法进行优化。众所周知，当数据中不满足聚类假设时，这些算法的表现较差。在这种情况下，同时优化多个目标函数的多目标聚类已成为一种极具吸引力且稳健的替代方案。特别是，由于多目标进化算法基于种群的特性，将其应用于聚类在过去十年中已变得十分流行。在此，我们对文献中存在的众多多目标进化聚类技术进行了全面且批判性的综述。这些技术根据所采用的编码策略、目标函数、进化算子、维持非支配解的策略以及最终解的选择方法进行分类。文中提及了不同方法的优缺点。最后，我们讨论了多目标聚类在图像分割、生物信息学、Web 挖掘等领域的若干实际应用。