标题 | 基于概率扰动策略的鲸鱼优化聚类算法 |
范文 | 许明瑞 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. |
随便看 |
|
科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。