[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

摘要

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。

主权项

1.一种基于改进ABC算法与DE变异策略的指纹自适应聚类方法，其特征在于：包括如下步骤：步骤1，获取指纹样本集，并对指纹样本集中的各指纹样本编号；步骤2，初始化自适应聚类的各参数，包括：指纹聚类数目、蜜蜂种群数目、开采极限以及最大迭代次数；根据指纹聚类数目随机对指纹样本集进行聚类划分，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3，对于步骤2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4，对于步骤3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5，随机产生一0‑1之间的随机数，并与步骤4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3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6，对于步骤5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7，重复步骤3‑步骤6，直至达到步骤2的最大迭代次数，输出指纹聚类结果。