基于K-means的改进人工蜂群聚类算法

摘要

针对K-means聚类算法对初始聚类中心敏感和易陷入局部最优解的缺点,提出一种基于K-means的人工蜂群(ABC)聚类算法.将改进的人工蜂群算法和K-means迭代相结合,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性.通过基于反向学习的初始化策略,增强了初始群体的多样性.利用非线性选择策略,改善了过早收敛问题,提高了搜索效率.通过对邻域搜索范围的动态调整,提高了算法收敛速度,增强了局部寻优能力.实验结果表明,该算法不仅克服了K-means算法稳定性差的缺点,而且具有良好的性能和聚类效果.