一种基于改进差分进化的K⁃Means聚类算法研究

打开文本图片集

摘  要： 为改进传统K⁃Means聚类算法中因随机选取初始聚类中心而导致聚类结果不稳定且效率低的缺点，提出一种基于改进差分进化的K⁃Means聚类算法（AGDE⁃KM）。首先，设计自适应操作算子来提升算法前期的全局搜索能力和后期的收敛速度；其次，设计多变异策略并引入权重系数，在算法的不同进化阶段发挥不同变异策略的优势，平衡算法的全局和局部搜索能力，加快算法的收敛速度；最后，提出一种基于当前种群最佳个体的高斯扰动交叉操作，为个体提供更优进化方向的同时保持种群在“维”上的多样性，避免算法陷入局部最优。（剩余11900字）