结合膜计算与人工蜂群算法的K均值算法

摘要

针对人工蜂群(ABC)优化的K均值(K-means)算法较易陷入局部最优、对初始聚类中心位置敏感等问题,结合具有广泛应用前景的膜计算(MC/P system)模型,提出一种改进的聚类算法。该算法利用最大最小距离积法对蜂群食物源进行初始化,提高初始值的适应度,加快收敛。ABC与K-means算法相结合,提高ABC算法的收敛速度;将ABC的蜜源进行K-means聚类,克服K-means对初始聚类中心的依赖及K-means算法易陷入局部最优的缺点。MC具有分布式、极大并行性和非确定性的特点,可以帮助提高蜂群的多样性,并平衡蜂群的勘探能力与开发能力。在提出的算法中,MC的结构以及其进化、溶解和通讯规则被整合到ABC算法中以增强蜂群的优化能力。实验结果表明,所提出的算法具有较好的聚类效果和稳定性。