基于改进粒子群和K-means聚类的优化算法

作     者：孙林 张一曼 张辰珂 徐久成 SUN Lin;ZHANG Yiman;ZHANG Chenke;X Jiucheng

作者机构：河南师范大学计算机与信息工程学院新乡453007 

出 版 物：《江苏科技大学学报（自然科学版）》 (Journal of Jiangsu University of Science and Technology:Natural Science Edition)

年 卷 期：2023年第37卷第3期

页      面：81-90页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(62076089,61976082) 河南省科技攻关项目(212102210136) 

主　　题：粒子群优化 K-means聚类 惯性权重 时间权重 欧氏距离 

摘      要：为了解决粒子群优化(particle swarm optimization, PSO)收敛速度慢和迭代次数多,以及传统K-means聚类算法采取的欧氏距离划分准则会导致聚类效果不理想等问题,构建了基于改进粒子群和K-means聚类的优化算法.根据Sigmoid函数优势,对PSO算法中速度更新公式的惯性权重参数实施改进,得到新的惯性权重公式,有效提高PSO算法的收敛速度;在PSO算法的位置更新公式中引入时间权重,通过调整时间权重大小,控制粒子的空间搜索范围,增强粒子的搜索能力;在传统的欧氏距离中引入属性权值,得到新的欧氏距离计算公式,该公式在计算两个向量相似度时,同时考虑了两个向量间的累积差异以及它们之间的相似性,与改进的PSO算法相结合,设计了基于改进粒子群和K-means聚类的优化算法.在6个基准测试函数和13个UCI数据集上,将所提出的优化算法与其他算法进行对比实验分析.实验结果表明:所提算法在收敛速度和寻优稳定性方面得到了明显提升,有效地提高了聚类准确率并且降低了迭代次数.