基于改进人工蜂群算法的k-means聚类算法

被引：8

作者：

贺思云 ^{[1
]}

高建瓴 ^{[1
]}

陈岚 ^{[2
]}

机构：

[1] 贵州大学大数据与信息工程学院

[2] 贵州大学档案馆

来源：

贵州大学学报(自然科学版) | 2017年 / 34卷 / 05期

关键词：

人工蜂群算法; k-means聚类; 最大距离积; 动态调整范围; 孤立点;

D O I：

10.15958/j.cnki.gdxbzrb.2017.05.18

中图分类号：

TP18 [人工智能理论]; TP311.13 [];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 1201 ;

摘要：

为克服k-means算法对初始聚类中心敏感的缺点,提出用改进后的人工蜂群算法来优化k-means算法的聚类中心。用最大距离积法对蜜源进行初始化,提高了蜜源的质量。增加蜜源搜索范围的动态调整因子,加快了算法的收敛速度。蜂群间经验值的交换,让算法在跳出局部最优解的同时,获得一个适应度值较高的蜜源;孤立点的寻找进一步提高了算法的有效性。实验表明,该算法加快了算法的收敛速度并提高了k-means聚类结果的准确度。

引用

页码：83 / 87+99 +99

页数：6

共 16 条

[1] 一种改进的混合蛙跳和K均值结合的聚类算法 [J].