】此种聚类算法不需要实现给出聚类数目和聚类中心操作便捷附Matlab代码)
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
在当今数据爆炸的时代，聚类分析作为一种重要的数据挖掘技术，被广泛应用于模式识别、图像处理、生物信息学等诸多领域。其核心目标是将数据集中的对象根据相似性原则划分为若干个簇，使得同一簇内的对象相似度高，而不同簇之间的对象相似度低。传统的聚类算法，如K-Means，虽然简单高效，但往往需要预先指定聚类数目K，且其聚类结果对初始聚类中心的选择敏感。这在实际应用中，尤其是在对数据结构知之甚少的情况下，无疑增加了应用难度和结果的不确定性。正是在这样的背景下，近邻传播（Affinity Propagation, 简称AP）聚类算法应运而生，以其无需预设聚类数目、能够自动发现代表点（exemplars）的独特优势，为聚类分析领域带来了新的突破。
AP算法由Brendan J. Frey和Delbert Dueck于2007年在《Science》杂志上首次提出。它基于“消息传递”机制，通过在数据点之间迭代地发送两种消息（“责任度”和“有效性”），最终识别出数据集中的聚类中心（即代表点）。与K-Means等基于距离的中心点更新不同，AP算法将每一个数据点都视为潜在的代表点，并通过消息传递的方式，让数据点“互相协商”，来决定哪些点最适合作为代表点，哪些点应该被分配到哪个代表点所在的簇中。
这两种消息的更新过程是迭代进行的。在每次迭代中，所有数据点同时并行地更新它们对彼此的责任度和有效度。这种并行更新的机制使得AP算法在处理大规模数据集时具有一定的效率优势。初始时，所有的责任度和有效度通常被设置为0。然后，通过特定的更新公式，责任度基于数据点之间的相似度（通常为负的欧氏距离的平方）以及其他点的有效度进行更新；有效度则基于其他点的责任度和该点自身作为代表点的偏好（preference）进行更新。偏好参数是一个非常重要的输入，它决定了每个数据点被选作代表点的可能性。一个较高的偏好值会使得更多的点被选为代表点，从而导致更多的簇；反之，较低的偏好值会减少代表点的数量，产生更少的簇。通过调整偏好参数，用户可以在一定程度上控制聚类结果的粒度，而无需直接指定聚类数目。
AP算法的收敛条件通常是当代表点的分配在若干次迭代中不再发生变化，或者达到预设的最大迭代次数。一旦算法收敛，每个数据点都会被分配到其具有最高责任度加有效度之和的代表点所在的簇中。
AP算法的优势显而易见：
首先，无需预设聚类数目是其最显著的特点。这极大地降低了用户的使用门槛，特别是在对数据分布缺乏先验知识的场景下。用户只需关注数据点之间的相似度定义和偏好参数的选择，算法便能自动发现合适的聚类结构。
其次，自动发现代表点，而不是像K-Means那样随机初始化聚类中心并进行迭代调整。AP算法选择的代表点是数据集中真实存在的样本点，这使得聚类结果更具可解释性。每一个簇都由一个具有代表性的实际数据点来表征，这对于后续的分析和决策制定非常有价值。
再者，AP算法能够处理非凸形状的簇。与K-Means等依赖于欧氏距离和均值更新的算法不同，AP算法通过消息传递机制，能够更好地捕捉到数据中复杂的相似性关系，从而识别出K-Means难以处理的非球形或非凸形的簇。
⛳️ 运行结果
🔗 参考文献
[1] 张震,汪斌强,伊鹏,等.一种分层组合的半监督近邻传播聚类算法[J].电子与信息学报, 2013, 35(3):645-651.DOI:10.3724/SP.J.1146.2012.00673.
[2] 张震,汪斌强,伊鹏,等.一种分层组合的半监督近邻传播聚类算法[J].电子与信息学报, 2013, 35(3):7.DOI:CNKI:SUN:DZYX.0.2013-03-020.
[3] 肖宇,于剑.基于近邻传播算法的半监督聚类[J].软件学报, 2008, 19(11):11.DOI:CNKI:SUN:RJXB.0.2008-11-005.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
)
