基于蝙蝠算法的K均值聚类算法

摘要

为解决传统K-means算法中因初始聚类中心选择不当而导致聚类结果陷入局部极值的问题,采用蝙蝠算法搜寻K-means算法的初始聚类中心,并将模拟退火的思想和基于排挤的小生境技术引入到蝙蝠算法中,以克服原始蝙蝠算法存在后期收敛速度慢、搜索力不强等问题。同时,通过测试函数验证了其有效性。最后利用改进后的蝙蝠算法优化K-means算法的初始聚类中心,并将该改进的算法与传统的K-means算法的聚类结果进行了对比。实验结果表明,改进后的算法的聚类性能比传统的K-means算法有很大提高。