17遗传算法改进的模糊C-均值聚类MATLAB源代码.docxVIP

遗传算法改进的模糊C-均值聚类MATLAB源代码模糊C-均值算法容易收敛于局部极小点，为了克服该缺点，将遗传算法应用于模糊C-均值算法(FCM)的优化计算中，由遗传算法得到初始聚类中心，再使用标准的模糊C-均值聚类算法得到最终的分类结果。function [BESTX,BESTY,ALLX,ALLY]=GAFCM(K,N,Pm,LB,UB,D,c,m)%% 此函数实现遗传算法，用于模糊C-均值聚类% GreenSim团队——专业级算法设计代写程序% 欢迎访问GreenSim团队主页→/greensim%% 输入参数列表% K 迭代次数% N 种群规模，要求是偶数% Pm 变异概率% LB 决策变量的下界，M×1的向量% UB 决策变量的上界，M×1的向量% D 原始样本数据，n×p的矩阵% c 分类个数% m 模糊C均值聚类数学模型中的指数%% 输出参数列表% BESTX K×1细胞结构，每一个元素是M×1向量，记录每一代的最优个体% BESTY K×1矩阵，记录每一代的最优个体的评价函数值% ALLX K×1细胞结构，每一个元素是M×N矩阵，记录全部个体% ALLY K×N矩阵，记录全部个体的评价函数值%% 第一步：M=length(LB);%决策变量的个数%种群初始化，每一列是一个样本farm=zeros(M,N);for i=1:M x=unifrnd(LB(i),UB(i),1,N); farm(i,:)=x;end%输出变量初始化ALLX=cell(K,1);%细胞结构，每一个元素是M×N矩阵，记录每一代的个体ALLY=zeros(K,N);%K×N矩阵，记录每一代评价函数值BESTX=cell(K,1);%细胞结构，每一个元素是M×1向量，记录每一代的最优个体BESTY=zeros(K,1);%K×1矩阵，记录每一代的最优个体的评价函数值k=1;%迭代计数器初始化%% 第二步：迭代过程while k=K%% 以下是交叉过程 newfarm=zeros(M,2*N); Ser=randperm(N);%两两随机配对的配对表 A=farm(:,Ser(1)); B=farm(:,Ser(2)); P0=unidrnd(M-1); a=[A(1:P0,:);B((P0+1):end,:)];%产生子代a b=[B(1:P0,:);A((P0+1):end,:)];%产生子代b newfarm(:,2*N-1)=a;%加入子代种群 newfarm(:,2*N)=b; for i=1:(N-1) A=farm(:,Ser(i)); B=farm(:,Ser(i+1)); P0=unidrnd(M-1); a=[A(1:P0,:);B((P0+1):end,:)]; b=[B(1:P0,:);A((P0+1):end,:)]; newfarm(:,2*i-1)=a; newfarm(:,2*i)=b; end FARM=[farm,newfarm]; %% 选择复制 SER=randperm(3*N); FITNESS=zeros(1,3*N); fitness=zeros(1,N); for i=1:(3*N) Beta=FARM(:,i); FITNESS(i)=FIT(Beta,D,c,m); end for i=1:N f1=FITNESS(SER(3*i-2)); f2=FITNESS(SER(3*i-1)); f3=FITNESS(SER(3*i)); if f1=f2f1=f3 farm(:,i)=FARM(:,SER(3*i-2)); fitness(:,i)=FITNESS(:,SER(3*i-2)); elseif f2=f1f2=f3 farm(:,i)=FARM(:,SER(3*i-1)); fitness(:,i)=FITNESS(:,SER(3*i-1)); else farm(:,i)=FARM(:,SER(3*i)); fitness(:,i)=FITNESS(:,SER(3*