C++聚類算法中的動態(tài)聚類中心調(diào)整

在C++中實(shí)現(xiàn)動態(tài)聚類中心調(diào)整，我們可以使用K-means算法。K-means是一種非常流行的聚類算法，它通過迭代地更新聚類中心來最小化每個數(shù)據(jù)點(diǎn)到其所屬聚類中心的距離之和。下面是一個簡單的C++實(shí)現(xiàn)，展示了如何在每次迭代中更新聚類中心：

#include <iostream>
#include <vector>
#include <cmath>
#include <random>

// 計(jì)算兩點(diǎn)之間的距離
double distance(const std::vector<double>& a, const std::vector<double>& b) {
    double sum = 0;
    for (size_t i = 0; i < a.size(); ++i) {
        sum += pow(a[i] - b[i], 2);
    }
    return sqrt(sum);
}

// K-means算法
void kMeans(std::vector<std::vector<double>>& data, int k, int maxIterations) {
    // 隨機(jī)初始化聚類中心
    std::random_device rd;
    std::mt19937 gen(rd());
    std::uniform_real_distribution<> dis(0, 1);
    std::vector<std::vector<double>> centroids(k);
    for (int i = 0; i < k; ++i) {
        centroids[i] = data[dis(gen)];
    }

    // 迭代更新聚類中心
    for (int iter = 0; iter < maxIterations; ++iter) {
        std::vector<int> clusters(data.size(), -1);
        std::vector<std::vector<double>> newCentroids(k, std::vector<double>(data[0].size(), 0));

        // 將數(shù)據(jù)點(diǎn)分配到最近的聚類中心
        for (size_t i = 0; i < data.size(); ++i) {
            double minDist = DBL_MAX;
            int closestCluster = -1;
            for (int j = 0; j < k; ++j) {
                double dist = distance(data[i], centroids[j]);
                if (dist < minDist) {
                    minDist = dist;
                    closestCluster = j;
                }
            }
            clusters[i] = closestCluster;
            newCentroids[closestCluster] += data[i];
        }

        // 更新聚類中心
        for (int j = 0; j < k; ++j) {
            double sum = 0;
            for (size_t i = 0; i < data.size(); ++i) {
                if (clusters[i] == j) {
                    sum += data[i][0]; // 假設(shè)數(shù)據(jù)只有一個特征
                }
            }
            newCentroids[j][0] /= clusters[j].size(); // 假設(shè)數(shù)據(jù)只有一個特征
        }

        // 檢查聚類中心是否收斂
        bool converged = true;
        for (int j = 0; j < k; ++j) {
            if (distance(centroids[j], newCentroids[j]) > 1e-6) {
                converged = false;
                break;
            }
        }

        if (converged) {
            centroids = newCentroids;
            break;
        }
    }
}

int main() {
    std::vector<std::vector<double>> data = {{1, 2}, {1, 4}, {1, 0},
                                            {10, 2}, {10, 4}, {10, 0}};
    int k = 2; // 聚類數(shù)
    int maxIterations = 100; // 最大迭代次數(shù)

    kMeans(data, k, maxIterations);

    // 輸出聚類結(jié)果
    for (int i = 0; i < data.size(); ++i) {
        std::cout << "Data point "<< i << " belongs to cluster " << clusters[i] << std::endl;
    }

    return 0;
}

在這個示例中，我們首先隨機(jī)初始化聚類中心，然后在每次迭代中將數(shù)據(jù)點(diǎn)分配到最近的聚類中心，并更新聚類中心。我們使用了一個簡單的收斂條件，即聚類中心之間的距離變化小于一個很小的閾值（例如1e-6）。當(dāng)聚類中心不再發(fā)生變化時，算法收斂。