【技术实现步骤摘要】
基于自适应粒子群的客户分类方法及系统
本专利技术涉及客户分类管理
，尤其涉及一种基于自适应粒子群的客户分类方法及系统。
技术介绍
零售客户分类是零售业确定产品和服务的基础，是客户消费行为的直接反映，也是零售业与零售客户建立一对一营销，以及给零售客户提供个性化服务的前提。在激烈的市场竞争中，对零售企业客户进行分类，能够使零售企业提高竞争力和扩大市场份额，从而对某一个客户类别进行有针对性的资源分配。K-means聚类算法是客户分类中常用的距离算法，该算法理论可靠、原理简单和运算速度快，对大规模数据挖掘具有高效性和可伸缩性，被广泛的应用于客户分类领域研究中。然而，现有K-Means聚类的也存在对初始值比较敏感，容易陷入局部最优解，需要预先指定聚类个数，以及不适合处理混合型数据等缺陷。因此，现在亟需一种基于自适应粒子群的客户分类方法及系统来解决上述问题。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种基于自适应粒子群的客户分类方法及系统。第一方面，本专利技术实施例提供...
【技术保护点】
1.一种基于自适应粒子群的客户分类方法，其特征在于，包括：/n根据粒子群中粒子的搜索状态变化特征，对标准粒子群算法的惯性权重进行动态调整，得到改进后的粒子群优化算法；/n根据所述改进后的粒子群优化算法，对粒子位置进行更新，并对粒子位置进行越界处理，得到多个聚类中心；/n将多个聚类中心作为K-Means聚类算法的初始聚类中心，得到自适应粒子群的客户分类模型；/n根据所述自适应粒子群的客户分类模型对目标客户群的购买行为特征数据集进行聚类处理，得到所述目标客户群的客户分类结果。/n
【技术特征摘要】
1.一种基于自适应粒子群的客户分类方法，其特征在于，包括：
根据粒子群中粒子的搜索状态变化特征，对标准粒子群算法的惯性权重进行动态调整，得到改进后的粒子群优化算法；
根据所述改进后的粒子群优化算法，对粒子位置进行更新，并对粒子位置进行越界处理，得到多个聚类中心；
将多个聚类中心作为K-Means聚类算法的初始聚类中心，得到自适应粒子群的客户分类模型；
根据所述自适应粒子群的客户分类模型对目标客户群的购买行为特征数据集进行聚类处理，得到所述目标客户群的客户分类结果。
2.根据权利要求1所述的基于自适应粒子群的客户分类方法，其特征在于，所述根据粒子群中粒子的搜索状态变化特征，对标准粒子群算法的惯性权重进行动态调整，得到改进后的粒子群优化算法，包括：
根据粒子群当前迭代中粒子的搜索状态变化特征，构建惯性权重，所述搜索状态变化特征包括种群进化速度因子、种群聚集度因子和种群早熟收敛程度因子；
根据粒子群下一次迭代中粒子的搜索状态变化特征，对所述惯性权重进行调整，以得到改进后的粒子群优化算法；
其中，所述种群进化速度因子根据当前迭代的全局最优值和上一次迭代的全局最优值之间的比值得到；所述种群聚集度因子根据当前迭代的全局最优值和当前迭代的粒子适应度平均值之间的比值得到；所述种群早熟收敛程度因子根据当前迭代的全局最优值和当前迭代的粒子适应度平均值之间的差值得到。
3.根据权利要求2所述的基于自适应粒子群的客户分类方法，其特征在于，在所述根据粒子群当前迭代中粒子的搜索状态变化特征，构建惯性权重之后，所述方法还包括：
根据标准粒子群算法中自身学习因子和社会学习因子的变化特性，获取最优稳定性参数；
根据所述最优稳定性参数和惯性权重，构建改进后的粒子群优化算法的自身学习因子和社会学习因子。
4.根据权利要求2所述的基于自适应粒子群的客户分类方法，其特征在于，所述根据所述改进后的粒子群优化算法，对粒子位置进行更新，包括：
根据惯性遗忘因子和种群多样性因子，对粒子位置进行迭代更新，若满足预设收敛条件，则停止更新；所述惯性遗忘因子根据惯性权重和粒子当前位置获取得到，所述种群多样性因子根据粒子当前位置和粒子最优位置之间的离散程度获取得到。
5.根据权利要求4所述的基于自适应粒子群的客户分类方...
【专利技术属性】
技术研发人员：穆维松，李玥，冯建英，田东，褚晓泉，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。