基于粒子群算法的进化聚类图像分割目标函数：使用距离度量测量的簇内距离图像特征：3个特征（R，G，B值） 它还包含一个基于矩阵的示例，输入样本大小为 15 和 2 个特征

2. 类似的，对于社团检测（复杂网络上做聚类），我们有三个关键问题： ·希望得到什么样的社团 2. 计算相似度矩阵S N为一个字典，“节点id—邻接点id集合

利用邻接矩阵A来存储网络，其中A_{ij}表示第i个节点与第j个节点的是否有边相互链接， 1表示有，0表示没有步骤二、根据网络结构特征给出节点相似性度量指标；给

实验报告 聚类技术——复杂网络社团检测.docx

道路交通拥堵正在成为发展中国家的一个严重问题，并严重影响着各国的经济。 城市道路日益拥堵对城市地区的经济增长和宜居性构成了真正的威胁。 大多数交通拥堵是由于计划外的道路网络、大量车辆和严重拥堵区域的存在造成的。 交通拥堵不仅对经济构成威胁，也对环境构成威胁。 从拥挤的主要道路到次要道路和小街的溢出效应作为替代路线通常会导致更多的拥堵； 由于间距过小和不断的走走停停，增加了碰撞和事故的机会。 下面的论文通过估计城市道路网络上实时交通拥堵的范围并预测到目的地的替代最短路线，提出了一种智能拥堵避免技术。 所提出的系统使用 K-Means 聚类算法来估计不同道路上的拥堵程度，然后使用 Dijkstra 算法来预测最短路线。 一旦用户将目的地输入系统，系统就会预测出距离用户当前位置的最短路线。 在每个路口重复该过程，直到用户到达目的地。 论文链接： http : //ieeexplore.ieee.

大连交大一位马同学的硕士论文。设计并实现了一个并行K-means聚类算法和Web文本聚类原型系统，可进行并行K-means算法的划分聚类和基于层次的组平均聚类。利用几 组Web文本数据集对基本的K-means算法和改进的算法以及基于层次的组平均算法进行试验和比较，验证改进算法的有效性。实验结果表明：并行K-means算法的聚类结果与串行算法相同，但执行效率得到了很大的提高。

使用基于 k-means 算法的进化聚类进行图像分割目标函数：使用距离度量测量的簇内距离图像特征：3个特征（R，G，B值） 它还包含一个基于矩阵的输入样本示例

使用基于模糊 c 均值的进化聚类进行图像分割目标函数：使用距离度量测量的簇内距离图像特征：3个特征（R，G，B值） 它还包含一个基于矩阵的输入样本示例

基于遗传算法的进化聚类图像分割目标函数：使用距离度量测量的簇内距离图像特征：3个特征（R，G，B值） 它还包含一个基于矩阵的示例，输入样本大小为 15 和 2 个特征

本实验利用两类数据：模拟数据与真实数据。模拟数据有著名复杂网络学者Mark Newmann所提出，该网络包括128个节点，每个节点的度为16，网络包含4个社团结构，每个社团包含32个节点，每个节点与社团内部节点有k1个节点相互链接，与社团外部有k2个节点相互链接 （k1+k2=16）。通过调节参数k2 (k2=1,2,3,4,5,6,7,8)增加社团构建检测难度。http://www-personal.umich.edu/~mejn/ 真实数据集：跆拳道俱乐部数据由34个节点组成，由于管理上的分歧，俱乐部分解成两个社团。 包括代码和文档