摘要
针对传统的K-均值聚类算法存在对初始聚类中心点选择敏感、全局搜索能力差和易陷入局部最优等缺点,论文引进一种基于种群的启发式全局优化算法——差分进化算法,并将改进后的差分进化算法和K-均值聚类算法相结合。实验结果表明,该算法较好地解决了K-均值聚类算法初始中心的优化问题,防止算法陷入局部最优解,有较好的搜索能力,有效提高了聚类质量和收敛速度。
学科与关键词
关键词
差分进化算法K-均值聚类算法聚类分析 differential evolution algorithm-DEK-means cluster algorithmcluster analysis
- K-Means聚类算法研究综述杨俊闯; 赵超计算机工程与应用, 2019, (23): 7-14+63.
- 基于向量语义相似度的改进K-Means算法李法运; 农罗锋情报科学, 2013, (02): 34.
- 一种优化初始中心的K-means聚类算法邓海; 覃华; 孙欣计算机技术与发展, 2013, (11): 42-45.
