針對K-means聚類算法依賴于初始值并易陷入局部最優(yōu)值的問題,提出了一種基于改進花朵授粉的K-means聚類算法。該算法首先通過混沌映射的序列作為花朵種群的初值位置,保證花朵種群在搜索空間的多樣性、確定性;然后在花朵授粉的后期搜索階段引入禁忌搜索算法以避免陷入局部最優(yōu)解;最后將改進后的FPA算法用于優(yōu)化K-means算法的初值。在五個聚類數(shù)據(jù)集上的實驗結果表明,改進后算法的平均聚類準確率相比于花朵授粉聚類算法提高了12.2%,證明了該算法對于低維數(shù)據(jù)集具有更好的聚類效果。

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 聚類算法和花朵授粉算法
    1.1 聚類相關問題
    1.2 K-means算法
    1.3 花朵授粉算法
2 改進的花朵授粉算法
    2.1 混沌優(yōu)化策略
    2.2 禁忌搜索法
3 基于改進花朵授粉的K-均值聚類算法
4 仿真實驗與結果分析
    4.1 改進FPA性能測試
    4.2 改進算法的聚類實驗
5 結束語



本文編號：3840115