[发明专利]一种基于改进ABC算法与DE变异策略的自适应聚类方法

说明书

本发明公开了一种基于改进ABC算法与DE变异策略的自适应聚类方法，该方法采用变异和交叉两个操作代替原算法ABC中单一的搜索操作，采用自适应的DE变异策略和新的概率选择值方法代替原方法。本发明在一定程度上解决了传统聚类算法后期容易陷入局部最优的缺点，且搜索速度相对较慢的缺陷，将改进ABC算法与DE结合，重新定义人工蜂位置更新公式，使算法尽可能的跳出局部最优，从而找到全局最优解。该方法的聚类结果更具多样性和准确性，且算法速度及效率都具有一定的优势。

技术领域

本发明涉及一种聚类方法，特别是涉及一种基于改进ABC算法与DE变异策略的自适应聚类方法，属于数据挖掘技术领域。

背景技术

群体智能进化算法从20世纪90年代发展至今，以其对函数要求低、进化过程与初始值无关、搜索速度快等优点，迅速成为进化算法的一个重要分支，并成为新的学术研究热点。其中比较成熟的算法有Dorgo等人提出的蚁群算法(Ant Colony Optimization)和Kennedy等人提出的粒子群算法(Particle Swarm Optimization)。近年来，人工蜂群(Artificial Bee Colony，ABC)算法也越来越多地受到人们的关注。Karaboga于2005年提出人工蜂群算法，该算法是基于蜜蜂群体智能的优化算法，通过模拟蜂群依各自分工不同智能采蜜，交换蜜源信息找到最优蜜源。相比于其他经典的进化算法，ABC算法更简单易用。

聚类是指将多个具有类似特性的对象组成多个类的过程，聚类的目的就是在相似的基础上收集数据来分类。聚类目前在很多不同领域都得到非常广泛的应用并且得到了相应的发展，包括计算机科学与技术、统计学、生物学等。最常见的聚类算法是k-means算法，它具有优秀的局部搜索能力，能很好的解决一些聚类问题，但是自身还存在一定的缺陷，其中比较严重的缺点就是容易陷入“早熟”，即非常容易陷入局部最优的缺点。

发明内容

本发明所要解决的技术问题是：提供一种基于改进ABC算法与DE变异策略的自适应聚类方法，通过改进ABC的变异策略，并增加了自适应机制，在一定程度上解决了容易陷入局部最优的缺点。

本发明为解决上述技术问题采用以下技术方案：

一种基于改进ABC算法与DE变异策略的自适应聚类方法，包括如下步骤：

步骤1，初始化自适应聚类的各参数，包括：聚类数目、蜜蜂种群数目、开采极限以及最大迭代次数；根据聚类数目随机对待聚类样本进行聚类划分，且聚类划分次数等于蜜蜂种群数目，得到蜜蜂种群数目的聚类划分；计算各聚类划分的适应度，并找出最优适应度及其对应的聚类划分；

步骤2，对于步骤1得到的聚类划分，从第一个聚类划分开始，采用变异和交叉两个过程产生新的聚类划分，计算新的聚类划分的适应度，并与当前最优适应度比较，若新的适应度优于当前最优适应度，则用新的聚类划分替换第一个聚类划分，且新的聚类划分的开采次数置为0，否则，第一个聚类划分的开采次数加1；重复上述过程，直至最后一个聚类划分结束；

步骤3，对于步骤2迭代之后的聚类划分，计算各聚类划分的概率值，计算公式为prob＝(0.9*Fitness/max(Fitness))+0.1，其中，prob表示各聚类划分的概率值，Fitness表示当前计算的聚类划分的适应度，max(Fitness)表示迭代之后的聚类划分适应度的最大值；

步骤4，随机产生一0-1之间的随机数，并与步骤3得到的概率值比较，对概率值大于随机数的聚类划分重复步骤2的迭代过程；重复上述过程，且产生随机数的次数等于蜜蜂种群数目；

步骤5，对于步骤4迭代之后的聚类划分，判断各聚类划分的开采次数是否大于开采极限，若大于开采极限，则随机生成一新的聚类划分替换开采次数大于开采极限的聚类划分，且将新的聚类划分的开采次数置为0；

步骤6，重复步骤2-步骤5，直至达到步骤1的最大迭代次数，输出最优的聚类划分。