结合人工蜂群优化的粗糙K-means聚类算法

粗糙K-means聚类算法具有较强的处理边界不确定数据能力,但该算法也存在对初始聚类中心选取敏感,以及采用固定权重和阈值方式而导致聚类结果不稳定、精度下降等问题。许多研究工作从不同角度致力于解决这些问题。引入人工蜂群算法(ABC)从三方面对算法进行了改进:首先,以下近似和边界集中数据对象个数与对象在数据集中空间分布的差异性乘积的比值为基础,设计了一种更为合理的动态调整下近似和边界集的权重方法。其次,为加快算法的收敛速度,给出了一种与迭代次数相关联的自适应阈值ε的实现方法。最后,通过构造蜜源位置的适应度函数,引导蜂群向高质量蜜源全局搜索,把蜂群每次迭代得到的最优源位置作为初始聚类中心,并在此基础上进行交替聚类。实验结果表明,改进后的算法提高了聚类结果的稳定性,获得了较好的聚类效果。