基于改进差分进化的K—均值聚类算法.docVIP

基于改进差分进化的K—均值聚类算法 　　摘要： 针对K-均值算法对初始值敏感和易陷入局部最优的缺点，提出了一种基于改进差分进化的K-均值聚类算法。该算法通过引入基于Laplace分布的变异算子和Logistic变尺度混沌搜索来增强全局寻优能力。实验结果表明，该算法能够较好地克服传统K-均值算法的缺点，具有较好的搜索能力，且算法的收敛速度较快，鲁棒性较强。 　　关键词： 聚类分析；差分进化；K-均值聚类算法；Laplace 分布；Logistic混沌搜索 　　中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2013）22-5064-04 　　K-均值算法是由MacQueen[1]提出的一种经典的聚类分析算法，它具有算法简单且收敛速度快的优点，但是算法的聚类结果易受初始聚类中心影响，且容易陷入局部最优。近年来许多学者利用各种常用智能优化算法（如遗传算法[2-3]、微粒群优化[4]等）对K-均值算法进行改进，并取得了不错的效果。 　　由Storn和Price提出的差分进化（Differential Evolution， DE）算法[5]是一种基于群体进化的启发式算法。该算法从原始种群开始，通过变异（Mutation）、交叉（Crossover）和选择（Selection）操作来生成新种群，通过计算每个个体的适应度值，来确定个体的保留或淘汰，然后通过不断迭代运算，引导搜索过程向最优解逼近。文献[6-7]利用差分进化对K-均值算法进行改进，结果表明，与基于传统遗传、微粒群优化等常用进化算法的K-均值改进算法比较，基于差分进化的K-均值改进算法能获得更好性能。但是，传统差分进化算法也存在算法收敛速度与全局寻优能力之间的矛盾，进化后期易出现早熟、停滞现象，通过改变控制参数虽然可以提高算法收敛速度，但是也会造成其全局寻优能力的下降，从而使得基于传统差分进化的K-均值改进算法的性能受到一定影响。 　　针对上述问题，该文提出一种基于改进差分进化的K-均值聚类算法，基本思想是：在差分进化算法中通过引入Laplace变异算子来提高算法收敛速度和全局寻优能力，同时通过引入Logistic变尺度混沌搜索，以克服传统差分进化算法进化后期可能出现的早熟、进化停滞现象；然后将其用来改进K-均值算法。实验结果证明，该算法具有较好的全局寻优能力，且收敛速度较快。 　　1 聚类的基本数学模型 　　2 改进差分进化算法 　　2.1 传统差分进化算法 　　2.2 Laplace变异算子 　　2.3 Logistic变尺度混沌搜索 　　3 基于改进差分进化的K-均值聚类算法 　　3.1 个体编码 　　3.3 算法步骤 　　步骤1：设定个体数N，最大迭代次数Gmax。 　　步骤2：种群的初始化：随机选取样本作为聚类中心，并计算当前位置适应度值。 　　步骤3：对于个体Xi，G按3.2描述产生变异算子F。 　　步骤4：分别根据式（3）执行变异操作，根据式（4）执行交叉操作，生成试验向量[Uki，G]，根据式（5）执行选择操作。 　　步骤5：根据个体的聚类中心编码，按照最近邻法则重新划分样本的归属类别。 　　步骤6：重新计算新的聚类中心，以替代原值。 　　步骤7：由式（11）判断是否陷入局部最优，若是，则对该个体变尺度混沌搜索，以利于跳出局部最优，转到步骤3。 　　步骤8：如不满足所设的终止条件，则转到步骤3，同时G的值自增1；否则输出最好个体值Xbest及最好适应度值[fXbest]，算法结束。 　　4 实验及效果评价 　　5 结束语 　　本文首先在传统差分进化算法中引入Laplace变异算子和Logistic变尺度混沌搜索以提高其性能，然后将改进的差分进化算法应用于K-均值算法。实验结果表明：该文算法较好地克服了传统K-均值算法的缺点，具有较强的全局搜索能力，且收敛速度较快。 　　参考文献： 　　[1] MacQueen J. Some methods for classification and analysis of multi-variate observations[C]// Proc. of the 5th Berkeley Symposium on Mathematics Statistic Problem， 1967， 1： 281-297. 　　[2]王家耀，张雪萍，周海燕.一个用于空间聚类分析的遗传K-均值算法[J].计算机工程，2006，32（3）：188-190. 　　[3] Michael Laszlo， Sumitra Mukherjee.A genetic algorithm that exchanges neighboring centers for k-means c