基于基础粒子群算法的PSO数据聚类演示系统

资 源 简 介

本项目是一个面向初学者的MATLAB教学性质项目，实现了利用最基本的粒子群优化（PSO）算法进行数据聚类分析。项目的核心逻辑是将聚类问题视为一个多维空间内的全局寻优问题，其中每一个“粒子”代表了K个聚类中心的一个潜在解集（即一个粒子包含K个向量）。算法首先初始化一个随机粒子群，利用欧氏距离计算所有样本点到当前粒子所代表的各个聚类中心的距离，将最小化类内距离平方和作为适应度的评价标准。在迭代过程中，每个粒子严格遵循标准PSO的速度与位置更新公式，根据个体历史最优解（Pbest）和群体全局最优解（Gbest）动态调整自身在解空间中的位置，从而不断逼近全局最优的聚类中心分布。代码编写极度注重可读性与基础逻辑的展示，特意省去了复杂的权重自适应调整、惯性权重衰减或混合变异策略，仅保留PSO最核心的机制，非常适合用于理解群智能算法与聚类分析结合的基本原理。此外，项目重点增强了结果的直观性，提供了二维数据的可视化展示模块，能够清晰地画出数据点分布、不同簇的颜色区分以及迭代收敛曲线，帮助用户直观地观察算法是如何从混乱状态一步步收敛到稳定聚类结果的。

详 情 说 明

基于基础粒子群算法（PSO）的数据聚类演示系统

项目简介

这是一个面向初学者的MATLAB教学项目，旨在演示如何利用基础的粒子群优化（Particle Swarm Optimization, PSO）算法解决数据聚类问题。不同于传统的K-Means算法，本项目将聚类过程转化为一个多维空间内的全局寻优问题。代码逻辑清晰，剥离了复杂的改进策略，仅保留PSO最核心的机制，非常适合用于理解群智能算法与聚类分析结合的基本原理。

功能特性

• 高斯分布数据生成：系统自动生成由三个不同高斯分布组成的二维测试数据集，模拟真实的聚类场景。
• 基础PSO实现：实现了标准的粒子群算法，包含速度更新、位置更新、个体最优（Pbest）与全局最优（Gbest）的追踪。
• 空间编码策略：采用扁平化编码方式，将K个聚类中心的所有坐标压缩在一个粒子向量中。
• 双重视化反馈：提供直观的结果展示，包括带有簇颜色区分的聚类散点图和算法迭代的适应度收敛曲线。
• 可复现性：通过固定随机种子，确保每次演示的数据生成和结果具有可比性。

核心算法与实现逻辑

本项目在 main.m 中利用面向过程的方式实现了完整的聚类流程，具体逻辑如下：

1. 聚类问题的粒子化表征

在传统的PSO中，一个粒子代表解空间的一个点。在本项目的聚类问题中，一个“粒子”代表了 $K$ 个聚类中心的集合。

• 假设数据维度为 $Dim$（本例为2），聚类簇数为 $K$（本例为3）。
• 单个粒子的维度被设计为 $K times Dim$。粒子位置向量的前2位代表第1个聚类中心，接下来的2位代表第2个，以此类推。
• 这样做使得算法可以同时优化所有聚类中心的位置。

2. 适应度函数设计（目标函数）

算法的目标是使聚类结果最紧凑。适应度函数计算逻辑如下：

1. 将粒子的位置向量重塑（Reshape）为 $K times Dim$ 的矩阵，还原出 $K$ 个中心坐标。
2. 计算所有 $NumData$ 个样本点到这 $K$ 个中心的欧氏距离。
3. 将每个样本点分配给距离最近的中心。
4. 适应度值（Cost） 定义为所有样本点到其归属中心的距离平方和（最小化类内距离和）。

3. 标准PSO迭代过程

算法采用固定权重的标准PSO更新公式，未引入自适应调整，以保持代码的纯粹性：

• 速度更新：$V = w cdot V + c_1 cdot r_1 cdot (P_{best} - X) + c_2 cdot r_2 cdot (G_{best} - X)$

* $w$ (惯性权重) 设为 0.729。 * $c_1, c_2$ (学习因子) 设为 1.49445。 * 引入了最大速度限制 (VelMax) 防止粒子飞出搜索空间。

• 位置更新：$X = X + V$

* 引入了位置边界限制，确保聚类中心始终保持在数据的数据边界范围内。

关键函数与代码细节分析

主程序文件包含了完整的逻辑，主要由以下几个部分组成：

主流程 (Main Loop)

• 参数配置：定义了种群规模（50）、最大迭代次数（100）等关键参数。
• 数据生成：使用 mvnrnd 基于设定的均值和协方差生成三组数据，并合并计算出搜索空间的上下界（LB_Data, UB_Data）。
• 初始化：随机初始化粒子的位置和速度，并计算初始的全局最优解。
• 迭代更新：双重循环结构（外层为迭代次数，内层为种群遍历），严格执行标准PSO公式。每10次迭代在命令行输出当前最优适应度。

可视化模块

• 散点图：根据最终优化出的聚类中心，重新计算每个点的标签，并使用不同的颜色绘制所属簇。聚类中心用黄色五角星高亮显示。
• 收敛曲线：绘制随迭代次数变化的最小类内距离平方和，展示算法的收敛速度和稳定性。

辅助函数

• Func_Fitness：适应度计算接口。负责调用具体的距离计算逻辑，并返回单一的数值（Cost）供PSO评估。
• Func_AssignClusters：核心计算单元。利用矩阵运算高效计算 $N times Dim$ 数据与 $K times Dim$ 中心之间的距离矩阵，并找出每个点的最小距离及其索引。

环境要求与使用方法

系统要求

• MATLAB R2016a 或更高版本。
• 需要安装 Statistics and Machine Learning Toolbox（用于 mvnrnd 数据生成函数）。

使用方法

1. 确保MATLAB的工作路径已包含本项目的文件夹。
2. 直接运行 main.m 文件。
3. 程序将自动清理工作区，生成数据，运行优化过程。
4. 运行结束后，控制台将输出最终的适应度值，并弹出一个包含两幅子图的窗口展示聚类结果和收敛曲线。

结果示例

运行程序后，您将看到：

1. 命令行：显示迭代进度，如 迭代次数: 100, 最小类内距离和: 245.1234。
2. 图形窗口：

* 左侧图显示三个自然分开的数据簇被三种颜色正确标记，且黄色中心点位于各簇的几何中心。 * 右侧图显示适应度值在最初的几十次迭代中迅速下降，随后趋于平稳，证明了算法的收敛性。