基于混沌剑鱼算法的K_means算法

摘要

传统K-means聚类算法容易受到初始聚类中心影响,从而导致聚类准确度较差的问题,本文利用剑鱼优化算法全局搜索能力强、收敛速度快的优势,提出一种基于改进剑鱼算法的K-means聚类算法。为增强剑鱼优化算法全局搜索能力,采用Tent混沌序列初始化种群,利用Tent混沌序列遍历性、随机性和规律性提高初始解的质量;为了提升算法搜索的精度,引入高斯变异,以此增强算法局部搜索能力;为了促使算法在跳出限制后继续搜索,在搜索停滞的解的基础上生成Tent混沌序列,用Tent混沌序列对部分陷入局部最优的个体进行扰动。最后,在9个标准测试函数上进行仿真实验,验证了所提算法的优越性;通过与传统K_means聚类算法在UCI数据集上聚类结果的对比,证明所提出的聚类算法具有更好的聚类性能,可以有效降低初始聚类中心对K-means算法的影响。