殷文輝

（內(nèi)蒙古機(jī)電職業(yè)技術(shù)學(xué)院 內(nèi)蒙古 呼和浩特010070）

基于動態(tài)演化聚類算法的E-Learning培訓(xùn)搜索研究

殷文輝

（內(nèi)蒙古機(jī)電職業(yè)技術(shù)學(xué)院 內(nèi)蒙古 呼和浩特010070）

隨著信息化社會的高速發(fā)展，網(wǎng)絡(luò)學(xué)習(xí)（E-Learning）培訓(xùn)越來越的應(yīng)用到人才培訓(xùn)的各個領(lǐng)域，能否準(zhǔn)確地利用用戶搜索數(shù)據(jù)的效果關(guān)系到長期人才戰(zhàn)略的發(fā)展。本研究簡要分析了E-Learning培訓(xùn)搜索數(shù)據(jù)結(jié)構(gòu)，利用重疊搜索模塊度函數(shù)和指標(biāo)作為目標(biāo)函數(shù)，以演化聚類算法和搜索數(shù)據(jù)的編碼解碼為基礎(chǔ)，構(gòu)建了針對E-Learning培訓(xùn)動態(tài)網(wǎng)絡(luò)重疊用戶的動態(tài)演化聚類算法。最后實(shí)驗(yàn)表明提出的動態(tài)演化聚類算法能有效的解決用戶實(shí)時(shí)搜索數(shù)據(jù)問題。

演化聚類算法；動態(tài)分析；E-Learning培訓(xùn)；實(shí)時(shí)搜索

網(wǎng)絡(luò)學(xué)習(xí)（E-Learning）培訓(xùn)通過應(yīng)用信息科技和互聯(lián)網(wǎng)技術(shù)進(jìn)行內(nèi)容傳播和快速學(xué)習(xí)，而搜索引擎被廣泛應(yīng)用于有線網(wǎng)絡(luò)、移動通信網(wǎng)絡(luò)以及無線傳感器中[1]。然而，當(dāng)前相關(guān)技術(shù)的發(fā)展并沒有將E-Learning培訓(xùn)技術(shù)的潛力充分挖掘[2]。其中，一個重要的問題就是現(xiàn)有物聯(lián)網(wǎng)大多是封閉的、不開放的私有網(wǎng)絡(luò)。

搜索的數(shù)據(jù)是非常有意義的，它可以為很多其他智能應(yīng)用提供數(shù)據(jù)支撐，但是這些數(shù)據(jù)資源是不開放的，進(jìn)而無法被外界訪問，造成數(shù)據(jù)資源的浪費(fèi)[3]。為了實(shí)現(xiàn)E-Learning培訓(xùn)搜索的潛在價(jià)值，即將這些傳感數(shù)據(jù)開放共享[4]。該方向立志于打破傳統(tǒng)搜索數(shù)據(jù)的封閉性，讓搜索數(shù)據(jù)接入互聯(lián)網(wǎng)，并將這些數(shù)據(jù)以一種易理解的、程序可讀的統(tǒng)一格式呈現(xiàn)在上，使之可以被自由地訪問和多方面的利用。

文中首先對E-Learning培訓(xùn)搜索的數(shù)據(jù)描述問題進(jìn)行概述，隨后從搜索數(shù)據(jù)的特征構(gòu)建動態(tài)E-Learning培訓(xùn)搜索模型數(shù)學(xué)，選擇重疊搜索模塊度函數(shù)和指標(biāo)作為目標(biāo)函數(shù)，針對動態(tài)網(wǎng)絡(luò)重疊用戶實(shí)時(shí)搜索數(shù)據(jù)問題，通過編碼、解碼建立動態(tài)演化聚類算法對重疊用戶搜索進(jìn)行有效挖掘。

1　E-Learning培訓(xùn)搜索的數(shù)據(jù)描述研究

從搜索的靜態(tài)屬性描述完備性、web描述語言的支持度（使用web語言描述資源描述模型）和動態(tài)特征的描述能力對已有的資源描述模型及其實(shí)現(xiàn)進(jìn)行綜述，對其在E-Learning培訓(xùn)搜索中針對實(shí)體進(jìn)行資源描述的適用能力進(jìn)行探討。

E-Learning培訓(xùn)主要由以下幾個功能實(shí)體組成[5]：1）資源信息數(shù)據(jù)采集；2）動態(tài)特征預(yù)測；3）實(shí)體資源描述；4）實(shí)體資源信息實(shí)時(shí)索引；5）實(shí)體資源信息實(shí)時(shí)呈現(xiàn)。

圖1　E-Learning培訓(xùn)搜索結(jié)構(gòu)

如圖1所示，實(shí)體資源信息實(shí)時(shí)采集方式主要包括相關(guān)web頁面的周期性爬取以及E-Learning培訓(xùn)數(shù)據(jù)通過事件觸發(fā)或周期模式進(jìn)行主動上報(bào)和被動獲取。E-Learning培訓(xùn)數(shù)據(jù)特征預(yù)測模型以E-Learning實(shí)體采集的數(shù)據(jù)作為輸入，并根據(jù)E-Learning培訓(xùn)的類型及特點(diǎn)進(jìn)行未來一定時(shí)間段內(nèi)的數(shù)據(jù)預(yù)測。E-Learning培訓(xùn)特征預(yù)測模型旨在根據(jù)ELearning及其數(shù)據(jù)的特點(diǎn)對傳感器的動態(tài)特征進(jìn)行預(yù)測。培訓(xùn)的數(shù)據(jù)會在時(shí)間、空間維度上呈現(xiàn)動態(tài)特性。此外，ELearning培訓(xùn)的工作狀態(tài)也會呈現(xiàn)動態(tài)的特性[6]。例如，預(yù)測數(shù)據(jù)、基本信息及用戶自定義信息將上報(bào)至搜索平臺中的實(shí)體資源描述庫處理后進(jìn)行存儲。E-Learning培訓(xùn)數(shù)據(jù)資源描述庫對傳感器資源描述模型進(jìn)行存儲，數(shù)據(jù)資源描述模型旨在針對E-Learning資源實(shí)體及其數(shù)據(jù)的靜態(tài)特征 （如類型、內(nèi)置標(biāo)識、所屬單位等）、動態(tài)特征（如當(dāng)前數(shù)值、傳感器當(dāng)前工作狀態(tài)等）進(jìn)行有效的描述。根據(jù)E-Learning資源描述信息所屬的預(yù)測模型的信息周期時(shí)長對E-Learning資源描述庫的信息索引進(jìn)行實(shí)時(shí)更新。根據(jù)搜索資源描述庫的信息，建立表示層的搜索web呈現(xiàn)頁面，用于呈現(xiàn)頁面信息和其他相關(guān)機(jī)構(gòu)收集的信息。

動態(tài)E-Learning培訓(xùn)搜索模型數(shù)學(xué)描述：動態(tài)網(wǎng)絡(luò)G被定義成一個網(wǎng)絡(luò)序列Gt（Vt，Et），也就是Gt=（G1，G2，…，GT），Vt是一個集合，表示時(shí)間t為時(shí)網(wǎng)路的節(jié)點(diǎn)集合，每一個vt∈Vt表示一個節(jié)點(diǎn)，每一條邊eij∈Et表示節(jié)點(diǎn)vi和vj存在聯(lián)系。我們用Gt表示網(wǎng)絡(luò)Nt在時(shí)刻t的網(wǎng)絡(luò)快照。讓CR={CR1，CR2，…，CRT}表示動態(tài)網(wǎng)絡(luò)N在個時(shí)間序列上的用戶劃分，CRt={，，…，}表示網(wǎng)絡(luò)Nt在時(shí)刻t的用戶結(jié)構(gòu)劃分，其中表示網(wǎng)絡(luò)在時(shí)刻t的第i個用戶，當(dāng)兩個用戶有公共節(jié)點(diǎn)時(shí)，即∩≠?，表示這兩個用戶間構(gòu)成了重疊用戶結(jié)構(gòu)。

2　動態(tài)演化聚類算法

2.1演化聚類

演化聚類通過處理時(shí)間序列上的不斷改變的數(shù)據(jù)，產(chǎn)生一系列的類簇[7]。這個過程主要是通過同時(shí)優(yōu)化兩個互補(bǔ)的代價(jià)函數(shù)實(shí)現(xiàn)的，一個被定義為聚類代價(jià)函數(shù)（Snapshot Cost），它主要反映的是當(dāng)前時(shí)刻的聚類質(zhì)量[8]，另一個被定義為時(shí)空代價(jià)函數(shù)（Temporal Cost），它主要反映的是當(dāng)前時(shí)刻的聚類結(jié)果與上一時(shí)刻聚類結(jié)果的相似度[9]，通過一個權(quán)值參數(shù)，將兩部分結(jié)合起來，可以得到總的代價(jià)函數(shù)。

其中α是一個權(quán)重參數(shù)，它決定著兩個子代價(jià)占總代價(jià)的比重。當(dāng)α=l時(shí)，得到的是一個不具有平滑性的用戶結(jié)構(gòu)，也就是動態(tài)網(wǎng)絡(luò)中相鄰兩時(shí)刻的用戶結(jié)構(gòu)差別較大；而當(dāng)α=0時(shí)，說明t時(shí)刻得到的用戶結(jié)構(gòu)與t-l時(shí)刻的用戶結(jié)構(gòu)一樣[10]。因此，通過調(diào)節(jié)權(quán)重參數(shù)α，就可以得到不同側(cè)重的用戶結(jié)構(gòu)。

2.2目標(biāo)函數(shù)選擇

選擇重疊搜索模塊度函數(shù)和指標(biāo)作為目標(biāo)函數(shù)，其中前者作為聚類代價(jià)函數(shù)，后者作為時(shí)空代價(jià)函數(shù)。利用基于遺傳算法的多目標(biāo)進(jìn)化算法，直接對定義的兩個代價(jià)函數(shù)動態(tài)分析和演化聚類同時(shí)進(jìn)行優(yōu)化，不再需要設(shè)定α的值。從每個時(shí)刻通過找到一個代表該時(shí)刻網(wǎng)絡(luò)最優(yōu)劃分的解，以達(dá)到對動態(tài)網(wǎng)絡(luò)進(jìn)行處理的目的[11]。

模塊度是目前最常用的搜索評價(jià)指標(biāo)[12]。其通過比較現(xiàn)有網(wǎng)絡(luò)和基準(zhǔn)網(wǎng)絡(luò)在相同用戶劃分下的連接密度差來衡量網(wǎng)絡(luò)用戶劃分的優(yōu)劣，其中基準(zhǔn)網(wǎng)絡(luò) 是與原網(wǎng)絡(luò)具有相同度序列的隨機(jī)網(wǎng)絡(luò)。在模塊度基礎(chǔ)上，構(gòu)建重疊用戶模塊度函數(shù)QOL。重疊用戶模塊度定義計(jì)算公式如下[13]：

式中i和j表示網(wǎng)絡(luò)中的兩個節(jié)點(diǎn)，m表示網(wǎng)絡(luò)中邊的總數(shù)，Oi和Oj表示節(jié)點(diǎn)i和j所屬的用戶的個數(shù)，A表示網(wǎng)絡(luò)的鄰接矩陣，ki和kj表示節(jié)點(diǎn)i和j的度數(shù)，Ck表示網(wǎng)絡(luò)的第k個用戶。

由于E-Learning培訓(xùn)網(wǎng)絡(luò)中的虛擬用戶發(fā)現(xiàn)問題可以被看成數(shù)據(jù)挖掘領(lǐng)域中的聚類問題，數(shù)據(jù)挖掘領(lǐng)域的學(xué)者提出了若干個數(shù)字指標(biāo)來衡量數(shù)據(jù)聚類的好壞[14-17]。其中最有代表性的Rand index表示在兩個劃分中都屬于同一個用戶的節(jié)點(diǎn)對的數(shù)量與所有可能的節(jié)點(diǎn)對數(shù)量比值[18]。設(shè)有n個節(jié)點(diǎn)，分別用N1，N2，…，Nn來表示，對于n個節(jié)點(diǎn)存在兩種劃分X和Y，則Rand index指標(biāo)計(jì)算公式如下：

2.3動態(tài)演化聚類算法步驟

基于已有的動態(tài)分析算法和演化聚類算法，文中提出了一種動態(tài)演化聚類算法，根據(jù)算法中設(shè)定目標(biāo)函數(shù)定義結(jié)合基因的編碼和解碼方式，還有群體交叉、變異策略，給出了算法步驟。

輸入：動態(tài)網(wǎng)絡(luò)N={N1，N2，…，NT}，網(wǎng)絡(luò)建模的圖序列G= {G1，G2，…，GT}，時(shí)間序列長度T。

Step 1：用基于連接關(guān)系聚類的靜態(tài)網(wǎng)絡(luò)重疊用戶發(fā)現(xiàn)算法GaoCD[4]，對t=l初始時(shí)刻的網(wǎng)絡(luò)Nl，即Gl進(jìn)行劃分，僅使用一個目標(biāo)函數(shù)進(jìn)行優(yōu)化，不做平滑處理，得到第一個時(shí)刻的用戶結(jié)構(gòu)CRl={，，…，}；

Step 2：隨機(jī)初始化網(wǎng)絡(luò)劃分{CR2，CR3，…，CRT}，每個時(shí)刻種群大小popolation=100，隨機(jī)初始化得到，個體長度length=|eij∈Nt|，得到（T-2）個種群：{P2，P3，…，PT}，Pt={，，…，Ipopotlation}。令 t=2；

Step 3：如果t＞T，輸出動態(tài)網(wǎng)絡(luò)用戶劃分序列CR={CR1，CR2，…，CRT}，算法終止；否則令genneration=0轉(zhuǎn)到Step 4；

Step 4:如果genneration=50，轉(zhuǎn)到Step 5，否則轉(zhuǎn)到Step 8；

Step 5:計(jì)算t時(shí)刻網(wǎng)絡(luò)種群Pt中個體的兩個目標(biāo)函數(shù)的適應(yīng)度值，按照個體的兩個適應(yīng)度函數(shù)值并對種群所有個體進(jìn)行非支配解排序；

Step 6:對種群Pt中個體進(jìn)行交叉和變異操作，生成一個新的的子代種群，計(jì)算種中每個個體的兩個目標(biāo)函數(shù)的適應(yīng)度值，按照個體的兩個適應(yīng)度函數(shù)值并對種群中所有個體進(jìn)行非支配解排序；

Step 7:按照一定比例的精英解保留策略，合并種群Pt和，得到更新后的種群Pt，合并后的種群大小仍為popolation=100；

Step 8:對于t時(shí)刻得到一個帕累托解集Dt，按照模塊度最大原則，從Dt中選擇一個個體作為最優(yōu)解；

Step 10:令t=t+l，返回Step 3。

輸出：動態(tài)網(wǎng)絡(luò)N，在不同時(shí)間序列上的用戶劃分CR= {CR1，CR2，…，CRT}。

3　實(shí)驗(yàn)結(jié)果及分析

3.1實(shí)驗(yàn)環(huán)境及算法參數(shù)設(shè)置

試驗(yàn)中的動態(tài)演化聚類算法有關(guān)的參數(shù)設(shè)置如下：交叉概率pc=0.8，變異概率pm=0.2，10%的搜索數(shù)據(jù)保留策略，種群大小popolation=100，種群進(jìn)化代數(shù)genneration=50。算法隨機(jī)運(yùn)行5次。

算法試驗(yàn)環(huán)境為：CPU Intel（R）Core（TM）2 Duo，主頻2.93 GHz，內(nèi)存2.00 GB，硬盤 300 GB，操作系統(tǒng) Windows 7，算法運(yùn)行環(huán)境為Matable R2012。

3.2搜索數(shù)據(jù)編碼與解碼

基因編碼方式：給網(wǎng)絡(luò)圖G中的每一條邊編號0，1，2，…，m，每個個體的有m個基因組成，第i個基因的值表示的是編號為i的邊的一條鄰接邊的編號，為了保證網(wǎng)絡(luò)連接的有效 性，規(guī)定每條邊的等位基因值只能在與它相鄰接的邊中產(chǎn)生[4]。

圖2　編碼過程

解碼處理方式：根據(jù)個體的基因，相鄰的邊屬于一個用戶，組成這些邊的節(jié)點(diǎn)就屬于一 個用戶劃分，由于多條邊可以有共同的節(jié)點(diǎn)，所以包含同一個節(jié)點(diǎn)的邊可能被劃分在不同的 用戶，所以一個節(jié)點(diǎn)就可以同時(shí)屬于多個用戶。解碼后節(jié)點(diǎn)1屬于兩個用戶，形成一個重疊用戶結(jié)構(gòu)。

交叉操作：隨機(jī)選擇兩個個體如圖 3所示，根據(jù)隨機(jī)生成多個交換基因位，交換兩個個體相同基因位的值。交叉操作后的個體如圖4所示。

圖3　父代個體

圖4　交叉?zhèn)€體

圖5　變異個體

變異操作：隨機(jī)選擇一些個體，隨機(jī)生成多個突變基因位，給這個突變基因位重新隨機(jī)分配一個鄰接邊的編號值。變異操作后的個體如圖5所示。

3.3實(shí)驗(yàn)結(jié)果及分析

序列圖的生成算法已經(jīng)在XDRE工具系統(tǒng)中實(shí)現(xiàn)，采用了E-Learning培訓(xùn)搜索仿真系統(tǒng)，對序列圖逆向生成的動態(tài)演化算法和非動態(tài)演化算法進(jìn)行了對比測試。E-Learning培訓(xùn)搜索仿真系統(tǒng)的動態(tài)信息文件具有層次較深的特點(diǎn)。實(shí)驗(yàn)結(jié)果如表1所示。

表1　運(yùn)用XDRE工具系統(tǒng)進(jìn)行的對比測試

表1主要反映兩種算法針對不同大小、不同層次深度的動態(tài)信息文件，逆向生成序列圖所產(chǎn)生的效率差別。通過表1可以看出，逆向生成序列圖的時(shí)間主要取決于實(shí)際畫出的消息交互個數(shù)，而兩種算法所產(chǎn)生的時(shí)間差別則主要來源于動態(tài)信息文件的深度。分析實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，動態(tài)搜索信息文件越大，樹狀結(jié)構(gòu)層次越深，非動態(tài)演化算法的優(yōu)勢越明顯。

如表2所示，動態(tài)演化算法在VAST數(shù)據(jù)集上運(yùn)行的實(shí)驗(yàn)結(jié)果，表中是VAST數(shù)據(jù)集構(gòu)造的動態(tài)網(wǎng)絡(luò)在10個時(shí)間段上的網(wǎng)絡(luò)重疊搜索結(jié)構(gòu)的模塊度值。模塊度值取值范圍為：[0，1]，模塊度值越大，表示用戶結(jié)構(gòu)劃分的越準(zhǔn)確。從表3中可以看出，動態(tài)演化聚類算法可以有效的求解動態(tài)網(wǎng)路重疊用戶發(fā)現(xiàn)問題，得到的網(wǎng)絡(luò)用戶劃分準(zhǔn)確度較好。

動態(tài)聚類算法分別在VAST數(shù)據(jù)集上十個時(shí)刻的網(wǎng)絡(luò)快照上獨(dú)立做重疊用戶搜索發(fā)現(xiàn)，與文中提出的動態(tài)演化聚類算法作對比分析。動態(tài)聚類算法算法是一種經(jīng)典的靜態(tài)網(wǎng)絡(luò)連接關(guān)系邊聚類重疊用戶搜索數(shù)據(jù)發(fā)現(xiàn)算法。從表2中可以看出，除時(shí)刻6、7和10外，動態(tài)演化聚類算法的結(jié)果都要優(yōu)于動態(tài)聚類算法，所以總得來說動態(tài)演化聚類算法在數(shù)據(jù)集VAST的重疊用戶劃分準(zhǔn)確度上要高于動態(tài)聚類算法。由于動態(tài)演化聚類算法是同時(shí)優(yōu)化兩個目標(biāo)函數(shù)，在優(yōu)化模塊度的同時(shí)也考慮了Rand index指標(biāo)，而動態(tài)聚類算法只考慮模塊度優(yōu)化，所以動態(tài)演化聚類算法的解在Rand index指標(biāo)要好于動態(tài)聚類算法。此外動態(tài)演化聚類算法是一種多目標(biāo)算法，每次迭代要計(jì)算種群在個體的多個適應(yīng)度值，還要按照個體的適應(yīng)度值進(jìn)行非支配解排序，所以動態(tài)演化聚類算法時(shí)間復(fù)雜度要高于動態(tài)聚類算法。

表2　VAST數(shù)據(jù)集上得到的模塊度

表3　VAST數(shù)據(jù)集上得到的Rand index

4　結(jié)束語

E-Learning培訓(xùn)的特性決定了搜索的需求。搜索數(shù)據(jù)的多樣性、異構(gòu)性和動態(tài)性等特征決定了E-Learning培訓(xùn)用戶搜索中對資源的描述方式與傳統(tǒng)互聯(lián)網(wǎng)搜索相比具有較大的差異性。對于搜索資源描述的研究尚處于剛剛起步的階段，現(xiàn)有的研究并不是以E-Learning培訓(xùn)為目標(biāo)，僅僅是針對已有的資源描述模型進(jìn)行探討，并不能直接應(yīng)用于特征明顯的搜索需求。本研究通過對E-Learning培訓(xùn)搜索中的數(shù)據(jù)資源描述進(jìn)行了概述與建模，分析了搜索數(shù)據(jù)特點(diǎn)及描述目標(biāo)。選擇重疊搜索模塊度函數(shù)和指標(biāo)作為目標(biāo)函數(shù)，利用編碼、解碼建立動態(tài)演化聚類算法對重疊用戶搜索進(jìn)行有效挖掘。因此，基于搜索算法的E-Learning培訓(xùn)具有廣闊的研究空間和重大的研究意義。

[1]朱必祥.影響E-Learning員工培訓(xùn)開發(fā)因素分析 [J].中國人力資源開發(fā)，2008（10）:66-69.

[2]周劍，胡明欽.企業(yè)E-Learning系統(tǒng)培訓(xùn)績效綜合評估模型的構(gòu)建[J].統(tǒng)計(jì)與決策，2011（13）:177-179.

[3]黃加文，黃景碧，聶文芳.人力資源E-Learning:信息時(shí)代企業(yè)培訓(xùn)新發(fā)展[J].現(xiàn)代遠(yuǎn)程教育研究，2012（4）:79-84.

[4]宋正國，刁秀麗，魯法明.E-Learning研究現(xiàn)狀和趨勢探析[J].計(jì)算機(jī)時(shí)代，2014（12）:1-4.

[5]魏潔怡，黃國青.企業(yè)員工E-Learning接受意向影響因素研究[J].世界科技研究與發(fā)展，2013（3）:33-37.

[6]胡玉琦.數(shù)據(jù)挖掘技術(shù)在企業(yè)職工培訓(xùn)中的應(yīng)用[J].數(shù)字技術(shù)與應(yīng)用，2011（11）:120-121.

[7]侯薇，董紅斌，印桂生.一種基于隸屬度優(yōu)化的演化聚類算法[J].計(jì)算機(jī)研究與發(fā)展，2013，50（3）:548-558.

[8]周治平，王杰鋒，朱書偉，等.一種改進(jìn)的自適應(yīng)快速AFDBSCAN聚類算法[J].智能系統(tǒng)學(xué)報(bào)，2015（5）:8-15.

[9]胡偉.改進(jìn)的層次K均值聚類算法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（2）:152-154.

[10]楊寧，唐常杰，王悅，等.基于譜聚類的多數(shù)據(jù)流演化事件挖掘[J].軟件學(xué)報(bào)，2010，21（10）:2395-2409.

[11]周晨曦，梁循，齊金山.基于約束動態(tài)更新的半監(jiān)督層次聚類算法[J].自動化學(xué)報(bào)，2015，41（7）:1253-1263.

[12]張聰，沈惠璋.基于譜方法的復(fù)雜網(wǎng)絡(luò)中社團(tuán)結(jié)構(gòu)的模塊度[J].系統(tǒng)工程理論與實(shí)踐，2013，33（5）:1231-1239.

[13]胡云，王崇駿，吳駿.微博網(wǎng)絡(luò)上的重疊社群發(fā)現(xiàn)與全局表示[J].軟件學(xué)報(bào)，2014（12）:2824-2835.

[14]李仕瓊.數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則挖掘算法的分析研[J].電子技術(shù)與軟件工程，2015（4）:200-200.

[15]劉大有，陳慧靈，齊紅，等.時(shí)空數(shù)據(jù)挖掘研究進(jìn)展[J].計(jì)算機(jī)研究與發(fā)展，2013，50（2）:225-239.

[16]蔡敏，沈培鋒，朱紅，等.基于模糊聚類的配電網(wǎng)負(fù)荷特性分析[J].陜西電力,2015(4):24-27，39.

[17]高勇，吳江.基于三比值法與模糊聚類的變壓器故障診斷[J].陜西電力,2012(7):80-82.

[18]謝娟英，魯肖肖，屈亞楠，等.粒計(jì)算優(yōu)化初始聚類中心的K-medoids聚類算法[J].計(jì)算機(jī)科學(xué)與探索，2015（5）: 611-620.

E-Learning train search based on dynamic evolutionary clustering algorithm

YIN Wen-hui
（Inner Mongolia Technical College of Mechanics and Electrics，Hohhot 010070，China）

With the development of information society to tell，E-Learning training is more and more applied to various fields of talent training，it can the effect of the users to search the data is related to the long-term development of talents strategy.In this study the brief analysis of the E-Learning training search data structure，using overlapping search module function and index as the objective function with evolutionary clustering algorithm and search data encoding decoding as the foundation，and we build a dynamic network of overlapping for E-Learning training users the dynamic evolution of the clustering algorithm. Finally，experiments show that the proposed dynamic evolutionary clustering algorithm can effectively solve the problem of real-time search user data.

evolutionary clustering；dynamic analysis；E-Learning train；live search

TN919.8

A

1674－6236（2016）22-0090-04

2016-01-11稿件編號：201601064

殷文輝（1981—），女，滿族，內(nèi)蒙古通遼人，碩士，講師。研究方向:計(jì)算機(jī)遠(yuǎn)程教育。