论文部分内容阅读
差分进化算法(Differential Evolution Algorithm,简称DE)作为进化算法的一个分支,自1995年由Rainer Storn和Kenneth Price为解决切比雪夫多项式而提出以来,就以其收敛性好,容易实现,模型简单,控制参数比较少越来越受到人们的关注。DE算法具有较强的全局搜索能力,能使算法不受问题性质的限制,可有效解决复杂优化问题,且越来越多的被应用于实际问题中。虽然DE算法有很多优点,但其也存在易陷入局部最优、会出现停滞现象、收敛速度比较慢甚至不收敛等缺点。因此,本文从提高初始种群质量以及优化种群进化策略两个方面对标准DE算法进行改进:采用混沌搜索反向学习方法优化初始种群以及提出一种两阶段变异交叉策略,最后用5个基准函数对改进算法进行测试,结果表明改进后的DE算法无论在单模态还是多模态优化问题中均表现出了较好的寻优结果和收敛速度,改进效果显著。聚类是数据挖掘、统计分析、数据压缩和矢量量化等领域的重要应用工具,其中K-means聚类算法的使用最为广泛。但K-means聚类算法具有需要先确定K值,对聚类中心敏感,且易收敛于局部最优值等缺点,而DE算法对于参数的优化又具有很强的鲁棒性,因此,为了克服上述K-means聚类算法的缺点,本文提出一种基于两阶段变异交叉策略的K-means聚类改进算法K-TMDE,该方法融合了DE算法的全局寻优能力以及K-means聚类算法的高效性。该算法种群个体采用以聚类中心为个体向量的编码方式,结合混沌搜索反向学习方法选取kmax个聚类中心组合成为初始种群个体,每次迭代在kmax个聚类中心随机选取k个聚类中心组成个体向量。在利用TMDE算法优化种群的同时,对产生的新一代种群插入一次K-means聚类算法,这样不仅可以加快K-TMDE算法的收敛速度,而且还有利于搜寻最优聚类数K以及提高聚类质量。通过实例结果表明,本文算法能够有效地优化K-means聚类算法。