差分進化算法的改進及其在K-means聚類算法中的應用.pdf

1、差分進化算法(Differential Evolution Algorithm，簡稱DE)作為進化算法的一個分支，自1995年由Rainer Storn和Kenneth Price為解決切比雪夫多項式而提出以來，就以其收斂性好，容易實現(xiàn)，模型簡單，控制參數(shù)比較少越來越受到人們的關(guān)注。DE算法具有較強的全局搜索能力，能使算法不受問題性質(zhì)的限制，可有效解決復雜優(yōu)化問題，且越來越多的被應用于實際問題中。
　　雖然DE算法有很多優(yōu)點，但其

2、也存在易陷入局部最優(yōu)、會出現(xiàn)停滯現(xiàn)象、收斂速度比較慢甚至不收斂等缺點。因此，本文從提高初始種群質(zhì)量以及優(yōu)化種群進化策略兩個方面對標準DE算法進行改進:采用混沌搜索反向?qū)W習方法優(yōu)化初始種群以及提出一種兩階段變異交叉策略，最后用5個基準函數(shù)對改進算法進行測試，結(jié)果表明改進后的DE算法無論在單模態(tài)還是多模態(tài)優(yōu)化問題中均表現(xiàn)出了較好的尋優(yōu)結(jié)果和收斂速度，改進效果顯著。
　　聚類是數(shù)據(jù)挖掘、統(tǒng)計分析、數(shù)據(jù)壓縮和矢量量化等領(lǐng)域的重要應用工具，

3、其中K-means聚類算法的使用最為廣泛。但K-means聚類算法具有需要先確定K值，對聚類中心敏感，且易收斂于局部最優(yōu)值等缺點，而DE算法對于參數(shù)的優(yōu)化又具有很強的魯棒性，因此，為了克服上述K-means聚類算法的缺點，本文提出一種基于兩階段變異交叉策略的K-means聚類改進算法K-TMDE，該方法融合了DE算法的全局尋優(yōu)能力以及K-means聚類算法的高效性。該算法種群個體采用以聚類中心為個體向量的編碼方式，結(jié)合混沌搜索反向?qū)W習方