差分进化算法在极大熵聚类优化中的应用.pdf

差分进化算法在极大熵聚类优化中的应用

作者：林涛

来源：《中国房地产业》2019年第7期

【摘要】针对极大熵聚类算法未必能收敛到全局最优解问题,本文借助差分进化算法的全局

寻优能力,对目标函数进行有效优化,提出一种基于差分进化的极大熵聚类算法。通过实验对比,

表明本文算法具有改善聚类效果的能力。

【关键词】智能优化方法;差分进化算法;极大熵聚类;目标函数优化

极大熵聚类算法(MaximumEntropyClustering,MEC)[1]是经典的模糊聚类方法,主要利用

熵模型和最大熵定理设计目标函数。文献[2]严格证明了MEC算法能够收敛到目标函数的局部

极小值,但未必能收敛到全局最优点上。差分进化算法(DifferentialEvolution,DE)是一种智

能优化方法,通过变异、交叉、选择等处理和种群更替,最终在可行域中搜索出最优解。DE算法

具有较强的全局搜索能力,常用于解决实际中的复杂优化问题。

本文借助DE算法的全局搜索能力,处理MEC算法目标函数的优化问题,提出一种基于差分

进化的极大熵聚类算法,使其具有更好的聚类性能。

1、极大熵聚类算法

2、差分进化算法

DE算法是一种通过实数编码,能在连续空间内进行策略搜索,实现全局寻优的优化方法,主

要通过个体优胜劣汰和种群多样性,驱使算法向全局最优解搜索。DE算法包括种群初始化、变

异、交叉、选择等步骤,具体如下:

(1)种群初始化:

3、基于差分进化的极大熵聚类算法

研究表明,若V和U满足式(2)与式(3),则它们必为式(1)的严格局部极小值点,但由于

MEC是迭代算法,其结果未必能收敛到目标函数全局最优点上。本文针对其目标函数优化问题

进行研究,利用DE算法的全局搜索能力,解决式(1)的优化问题。

本文具体研究的优化问题为:

结果表明,相比于MEC算法,本文算法在各数据集上,RI指标和NMI指标都略有提升,这说

明DE算法应用到MEC算法上能够有效提高优化处理,改善聚类效果。

结语:

本文针对MEC算法易陷入局部最优问题,利用DE算法对其目标函数进行有效优化,设计出

一种基于差分进化的极大熵聚类算法。经过数据实验检验,表明DE算法在一定程度上能更好地

优化MEC目标函数。