基于概率扰动策略的鲸鱼优化聚类算法

来源:用户上传      作者:

　　摘 要：针对鲸鱼优化聚类算法收敛精度低、在迭代次数较多时容易陷入局部最优的问题，提出了一种基于概率扰动策略的鲸鱼优化聚类算法。主要从两个方面对鲸鱼算法进行改进，首先利用佳点集来初始化鲸鱼种群，得到均匀性好的解，从而提高鲸鱼种群的多样性其次，利用概率扰动策略增强算法在寻优后期的局部搜索能力。仿真实验表明，改进后的算法的聚类准确率和稳定性得到提高。
　　关键词：鲸鱼优化算法;聚类分析;种群多样性
　　DOI：10.16640/j.cnki.37-1222/t.2019.21.155
　　1 鲸鱼优化算法的基本原理
　　 鲸鱼优化算法是一种新的启发式群智能优化算法[1]，该算法主要包括随机搜索猎物、包围猎物、螺旋更新位置三个阶段。
　　4 实验结果与分析
　　 为了验证IWOA的有效性，将K-means、CS、WOA与本文所提出的IWOA在仿真试验下进行聚类质量比较。实验选取UCI数据库中4个典型数据集Iris、Glass、Haberman、Wisconsin进行测试。
　　 基于实验测试结果，对于Iris數据集，从内部评价指标来看，IWOA的目标函数最大值，最小值，平均值均优于其它算法。从外部评价指标来看，IWOA的ARI值相较于KM和WOA略有提升;对于Glass数据集，从内部评价指标来看，IWOA在平均值和最大值上优于其它算法，从外部评价指标来看，IOWA的ARI值和FMI值相较于其它算法均有较大提升。
　　 对于Haberman数据集。从内部评价指标来看，IWOA的目标函数最大值，最小值，平均值均优于其它算法。从外部评价指标来看，IWOA的FMI值优于K-means和WOA。对于Wisconsin数据集，从内部评价指标来看，IWOA的目标函数最大值，最小值，平均值均优于其它算法。从外部评价指标来看，IWOA的ARI值对其它算法有一定的提升，FMI值优于K-means。
　　参考文献：
　　[1]Seyedali Mirjalili，Andrew Lewis.The Whale Optimization Algorithm[J].Advances in Engineering Software，2016，95.
　　[2]华罗庚，王元.数论在近似分析中的应用[M].科学出版社，1978.
转载注明来源:https://www.xzbu.com/1/view-14954648.htm