论文部分内容阅读
针对K-means算法依赖于初始聚类中心和易陷入局部最优解的缺陷，提出一种改进的求解聚类问题的差分进化算法。将改进的差分进化算法与K-means迭代相结合，使算法对初始聚类中心的敏感性和陷入局部最优解的可能性降低。通过将反向学习技术引入到框架中来指导搜索新的空间，以增强算法的全局寻优能力。为了改善算法的计算效率，根据聚类问题编码的特点设计了一种整理算子来消除冗余以及调整差分进化算法的种群更新策略。最后，在迭代过程中不断引入随机个体以提高种群的多样性。与K-means和几种进化聚类算法进行比较，实验结果表明