確度均高于k-medoids并行化算法和DBSCAN并行化算法，并且在處理較大數量級的數據集時，本文算法準確度更占優勢。不同數據集上各算法的執行時間如圖2。

根據圖2，隨著數據量的增大，三種算法執行效率差異逐漸增大，本文算法性能明顯優于k-medoids并行性算法和DBSCAN并行算法。接著對三個算法使用7個線程時的執行時間進行比較，如圖3所示。

從圖3中可以看出，使用7個線程在1 000、5 000、10 000數據級時，本文算法執行時間明顯優于其他兩個算法。

3.3 實驗小結

仿真實驗可知，在同一線程數時，本文算法比對比算法聚類準確率高，執行時間短；在線程數增加時，本文算法執行時間顯著降低；隨著數據量的增長，本文算法在保證更高準確度的基礎上，執行時間優勢逐漸凸顯。

4 結論

本文針對電力通信數據的聚類處理問題，提出基于密度的聚類思想對k-medoids算法初始點的選取策略進行優化，并利用MapReduce編程框架實現了算法的并行化處理。通過仿真實驗表明本文提出的優化算法可行有效，并具有較好的執行效率。在接下來的研究中可以考慮線程數小于聚類數時的優化分配策略，進一步提高算法性能。

參考文獻

[1] 蔡永強，陳平華，李惠.基于云計算平臺的并行DBSCAN算法[J].廣東工業大學學報,2016，33(1)：51-56.

[2] PARK H S，JUN C H.A simple and fast algorithm for k-medoids clustering[J].Expert System with Applications，2009，36(2)：3336-3341.

[3] 趙燁，黃澤君.蟻群K-medoids融合的聚類算法[J].電子測量與儀器學報，2012，26(9)：800-804.

[4] 馬菁，謝娟英.基于粒計算的k-medoids聚類算法[J].計算機應用，2012，32(7)：1973-1977.

[5] 吳景嵐，朱文興.基于k中心點的迭代局部搜索聚類算法[J].計算機研究與發展，2004，41(Z)：246-252.

[6] Jiang Yaobin，Zhang Jiongmin.Parallel k-medoids clustering algorithm based on Hadoop[C].Proceedings of the IEEE International Conference on Software Engineering and Service Sciences，2014：649-651.

[7] 孫勝，王元珍.基于核的自適應k-medoid聚類[J].計算機工程與設計，2009，30（3）：674-677.

[8] 馬曉慧.一種改進的可并行的K-medoids聚類算法[J].智能計算機與應用，2015：874-876.

作者信息:

曾 瑛，李星南，劉新展

（廣東電網公司 廣東電網電力調度控制中心，廣東 廣州510600）