基于改进差分进化K均值聚类算法.docVIP

基于改进差分进化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