云服务器聚类算法研究：模糊C均值与改进GRNN的结合

"这篇论文研究了基于模糊聚类和改进GRNN(广义回归神经网络)的云服务器聚类算法，旨在提升云平台的任务调度效率和整体性能。论文作者为马晨和谷利泽，他们来自北京邮电大学网络空间安全学院。文中提到，IVCE云平台具有大量服务器和多样的任务，对服务器进行聚类分级对于合理任务调度至关重要。传统的GRNN算法虽然在处理非线性问题上有优势，但存在收敛速度慢和可能陷入局部最小值的问题。因此，论文提出了结合模糊C均值（FCM）算法来形成服务器聚类，并利用改进的果蝇优化算法改善GRNN的缺点。此外，通过邻域粗糙集理论分析FCM输出结果以选择关键特征，防止维数灾难。实验结果显示，提出的算法在速度、收敛步数以及系统资源占用上都有显著优势，并且能促进任务调度的均衡性，验证了算法的有效性。关键词包括云服务器聚类算法、邻域粗糙集理论、模糊C-均值、果蝇优化算法和广义回归神经网络。" 该论文的核心知识点包括： 1. **云服务器聚类算法**：在大规模云平台中，通过对服务器进行聚类可以优化任务调度，提高资源利用率和平台效率。 2. **模糊聚类**：模糊C均值（FCM）算法是一种聚类方法，允许数据点同时属于多个类别，适应于处理有模糊边界的聚类问题。 3. **GRNN（广义回归神经网络）**：一种具有非线性映射能力的神经网络，适合处理非线性问题，但可能存在收敛速度慢和局部最小值问题。 4. **改进GRNN**：通过结合果蝇优化算法，解决了GRNN的收敛速度和局部最优问题，提高了聚类的效率和精度。 5. **果蝇优化算法**：一种生物启发式优化算法，用于全局搜索和优化，帮助GRNN更快找到全局最优解。 6. **邻域粗糙集理论**：用于特征选择和降维的方法，防止在高维数据中遇到的“维数灾难”问题。 7. **性能评估**：实验比较了新算法与已有方法在速度、收敛步数和系统资源占用上的表现，证明了新算法的优越性。 8. **任务调度均衡**：算法应用后，云平台的任务调度变得更加均衡，表明聚类效果准确有效。 这篇论文的研究不仅提升了云服务器聚类的效率，也为未来在云环境中的任务调度提供了新的优化策略。