差分進(jìn)化算法的改進(jìn)及其在K-means聚類算法中的應(yīng)用.pdf

1、差分進(jìn)化算法(Differential Evolution Algorithm，簡(jiǎn)稱DE)作為進(jìn)化算法的一個(gè)分支，自1995年由Rainer Storn和Kenneth Price為解決切比雪夫多項(xiàng)式而提出以來(lái)，就以其收斂性好，容易實(shí)現(xiàn)，模型簡(jiǎn)單，控制參數(shù)比較少越來(lái)越受到人們的關(guān)注。DE算法具有較強(qiáng)的全局搜索能力，能使算法不受問(wèn)題性質(zhì)的限制，可有效解決復(fù)雜優(yōu)化問(wèn)題，且越來(lái)越多的被應(yīng)用于實(shí)際問(wèn)題中。
　　雖然DE算法有很多優(yōu)點(diǎn)，但其

2、也存在易陷入局部最優(yōu)、會(huì)出現(xiàn)停滯現(xiàn)象、收斂速度比較慢甚至不收斂等缺點(diǎn)。因此，本文從提高初始種群質(zhì)量以及優(yōu)化種群進(jìn)化策略兩個(gè)方面對(duì)標(biāo)準(zhǔn)DE算法進(jìn)行改進(jìn):采用混沌搜索反向?qū)W習(xí)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(gè)基準(zhǔn)函數(shù)對(duì)改進(jìn)算法進(jìn)行測(cè)試，結(jié)果表明改進(jìn)后的DE算法無(wú)論在單模態(tài)還是多模態(tài)優(yōu)化問(wèn)題中均表現(xiàn)出了較好的尋優(yōu)結(jié)果和收斂速度，改進(jìn)效果顯著。
　　聚類是數(shù)據(jù)挖掘、統(tǒng)計(jì)分析、數(shù)據(jù)壓縮和矢量量化等領(lǐng)域的重要應(yīng)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(duì)聚類中心敏感，且易收斂于局部最優(yōu)值等缺點(diǎn)，而DE算法對(duì)于參數(shù)的優(yōu)化又具有很強(qiáng)的魯棒性，因此，為了克服上述K-means聚類算法的缺點(diǎn)，本文提出一種基于兩階段變異交叉策略的K-means聚類改進(jìn)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(gè)體采用以聚類中心為個(gè)體向量的編碼方式，結(jié)合混沌搜索反向?qū)W習(xí)方