一种云制造资源集群k-means聚类方法技术

本发明专利技术公开了一种云制造资源集群k‑means聚类方法，包括聚类有效性评估函数的建立，蛙跳算法的改进和k‑means聚类的改进；聚类有效性评估函数由类内距离和类间距离构成，类内距离采用欧式距离，类间距离采用类平均距离；蛙跳算法的改进主要对初始种群进行扩大；k‑means聚类的改进主要是对初始聚簇中心的优化。本发明专利技术所提供的一种云制造资源集群k‑means聚类方法，改善了k‑means聚类方法对初始聚类中心敏感的问题，能够对海量复杂的云制造资源集群进行分类，使具有相同属性的云制造资源归为一类，提高了云制造资源使用的效率，减轻了云制造资源管理的压力。

【技术实现步骤摘要】
一种云制造资源集群k-means聚类方法
本专利技术涉及一种云制造资源集群k-means聚类方法，属于工业软件运营

技术介绍
随着新兴信息技术及先进制造技术的不断发展，制造业由传统的小规模生产向大而广的生产模式转变已日趋明显，云制造理念在这种情况下应运而生。在融合了互联网、物联网、宽带及电信等网络的前提下，云制造实现了不同地域、不同类型的服务虚拟化封装，将异构多样的资源融入云服务池，当用户提出需求时将为用户提供准确快速地服务。云制造借鉴了绿色设计、智能生产、敏捷制造等先进的生产理念，其服务范围贯穿了产品生产的全生命周期，这意味着云服务池将存在着海量的资源，而且随着云制造的发展，这些资源将一直持续增长，云制造资源分配的好坏将直接影响云制造运营商资源管理的规范性及用户按需索取的便捷度。然而，目前关于云制造资源的划分及同类云制造资源聚类的研究较少，而随着云制造的推进，云服务池中的资源将一直呈现上升趋势，这些资源异构复杂且分布广泛，将大大增加云制造管理及用户按需索取的难度。云制造基于“制造即服务”的思想，在云计算为用户提供的按需服务(基础架构为服务IaaS、平台为服务PaaS、软件本文档来自技高网...

【技术保护点】
1.一种云制造资源集群k‑means聚类方法，其特征在于：包括如下步骤：步骤1：资源聚类有效性评估函数的建立；步骤2：改进蛙跳算法用于生成初始聚簇中心；步骤3：利用改进的k‑means资源聚类方法对资源数据重新聚类划分。

【技术特征摘要】
1.一种云制造资源集群k-means聚类方法，其特征在于：包括如下步骤：步骤1：资源聚类有效性评估函数的建立；步骤2：改进蛙跳算法用于生成初始聚簇中心；步骤3：利用改进的k-means资源聚类方法对资源数据重新聚类划分。2.根据权利要求1所述的一种云制造资源集群k-means聚类方法，其特征在于：所述步骤1中资源聚类有效性评估函数如下：资源聚类有效性评估函数由类内距离和类间距离构成，类内距离采用欧式距离，类间距离采用类平均距离，聚类的目标是实现类内样品相似度最大，类间相似度最小，建立聚类有效性评估函数如下：其中，D内为类内距离，D间为类间距离，k为类的个数，X为聚簇Ri中的元素，Ci为第i个类的聚簇中心，pdist代表欧几里得距离，类内距离计算的是所有类内元素到聚簇中心的欧几里得距离平方之和；na、nb为两个不同聚簇Ra、Rb中资源样本的个数，Xi、Xj分别为Ra、Rb中的元素，λ为调整参数，λ＞0，为实现最大的类内聚合和类间分离，即实现目标函数F的最小化。3.根据权利要求1所述的一种云制造资源集群k-means聚类方法，其特征在于：所述步骤2包括：蛙跳算法的改进是对初始种群进行扩大，通过引入反向解的方式对初始种群进行扩大，拓宽了算法中解的搜索范围。4.根据权利要求1所述的一种云制造资源集群k-means聚类方法，其特征在于：所述步骤3包括如下步骤：步骤3.1：输入包含资源属性的样本数据集Data＝{X1,X2,…,XN}和聚簇数k；步骤3.2：利用改进的蛙跳算法生成初始聚簇中心C＝{C1,C2,…,Ck}，并生成Uzbest；步骤3.3：以上述改进的蛙跳算法生成的Uzbest作为初始聚簇中心C，按最近邻原则将Data中数据进行聚类划分，分为k个样本集合R＝{R1...

【专利技术属性】
技术研发人员：苑明海，周灼，蔡仙仙，俞红焱，孙超，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏,32