1. library(datasets)
2.  
3.  
4. library(cec2013)
5. library(DEoptim)
6.  
7.  
8. #WYMIAR
9. D <- 2
10. #NUMER FUNKCJI: 1...28
11. I <- 11
12.  
13.  
14. lower <- rep(-10, D)
15. upper <- -lower
16.  
17. outDEoptim <- DEoptim(fn=function(x){cec2013(I, x)}, lower, upper,
18.                       DEoptim.control(itermax = 100, storepopfrom = 1, storepopfreq = 2))
19.  
20.  
21. print(outDEoptim)
22.  
23. ## plot intermediate populations
24. #plot(outDEoptim, plot.type = "storepop")
25.  
26.  
27.  
28.  
29. euclid <- function(x1,x2) #x musi byc postaci x1 - x2
30. {
31.   sqrt(rowSums((x1-x2)^2))
32. }
33.  
34. klastry = list()
35. wymiar <- 2
36.  
37. k_means <- function(dane, k, max_iter, wymiar)
38.   #k - liczba klastrow, max_iter - maksymalna liczba iteracji
39. {
40.   #
41.   # losowanie punktow poczatkowych
42.   #
43.   means <- (sample(1:dim(dane)[1],k))
44.   clusters <- dane[means,1:wymiar]
45.   print('klastry')
46.   print(clusters)
47.   #do kazdego klastra zostana przypisane najblizej lezace punkty
48.   #dla kazdego punktu obliczane sa odleglosci od wszystkich klastrow
49.   #przypisywany jest do najblizszego
50.   clustlist = list() #inicjalizacja listy na macierze klastrow
51.   w = list()
52.   s = list()
53.   for (i in 1:max_iter)
54.   {
55.     for (j in 1:k) #petla po wszystkich klastrach
56.     {
57.       # macierz klastrow
58.       clustlist[[j]] <- t(matrix(clusters[j,1:wymiar],wymiar,dim(dane)[1]))
59.       w[[j]]<-euclid(dane[,1:wymiar],unlist(clustlist[[j]]))
60.     }
61.     y<-matrix(unlist(w),dim(dane)[1],k)
62.     for (l in 1:dim(dane)[1])
63.     {
64.       dane[l,wymiar+1]<-which.min(y[l,]) # przypisanie numeru klastra
65.     }
66.     colnames(dane)[wymiar+1] <- "klaster"
67.     #wybor nowych srodkow klastrow
68.    
69.     for (m in 1:k)
70.     {
71.       u = dane[dane$klaster == m,]
72.  
73.       clusters[m,] <- colSums(u[1:wymiar])/dim(u)[1]
74.  
75.     }
76.     klastry <- clusters
77.    
78.     print('nowe klastry')
79.     print(clusters)
80.   }
81.   return(dane)
82. }
83.  
84. tab <- outDEoptim$member$storepop[[49]]
85.  
86. #a<-k_means(iris[, 3:4], 3, 100,2)
87.  
88. a<-k_means(tab, 3, 2,2)
89. #set.seed(20)
90. #irisCluster <- kmeans(iris[, 3:4], 3, nstart = 20)
91. #irisCluster
92.  
93. #irisCluster$cluster <- as.factor(irisCluster$cluster)
94. #ggplot(iris, aes(Petal.Length, Petal.Width, color = irisCluster$cluster)) + geom_point()
95.  
96.  
97. colnames(a) <- c("x","y","klaster")
98.                
99. b<-unlist(a[,wymiar+1])
100. b<-replace(b,b==1,'pierwszy')
101. b<-replace(b,b==2,'drugi')
102. b<-replace(b,b==3,'trzeci')
103. b<-replace(b,b==4,'czwarty')
104. b<-replace(b,b==5,'piaty')
105. b<-replace(b,b==6,'szosty')
106. b<-replace(b,b==7,'siodmy')
107. b<-replace(b,b==8,'osmy')
108. b<-replace(b,b==9,'dziewiaty')
109. b<-replace(b,b==10,'dziesiaty')
110.  
111. a[,wymiar+1]<-b
112.  
113.  
114. library(ggplot2)
115. ggplot(a, aes(x, y, color = klaster)) + geom_point()