基于LAAFSA改进的K-Means聚类算法
(0) 针对K-Means 聚类算法随机选择聚类中心，易陷于局部最优值的缺点和人工鱼群更新过程中对鲁棒性强，易跳出局部最优值的优点，本文对以往的方法研究总结，提出了基于LAAFSA 改进的K-Means 聚类算法。该算法在K-Means 算法中引入LAAFSA 算法。在LAAFSA 算法中，对每条人工鱼进行聚群行为和追尾行为，若结果没有得到更新，则引入共轭梯度法，减少人工鱼在觅食行为中更新的随机性，增加人工鱼的局部寻优能力，得到近似全局最优的初始聚类中心，并将其作为K-Means 初值详细进行局部搜索，以提高精度。在实验中，对LAAFSA 和AFSA 两个算法在目标函数上进行收敛性和最优值对比，根据实验结果显示LAAFSA 算法具有优越性，其结果适合作为K-Means 算法的初始聚类中心。最后，阐述对LAAFSA-KM 算法后期实现及应用。
K-Means 人工鱼群算法 共轭梯度法 聚类
徐菲菲 陈赛红
上海电力大学计算机科学与技术学院 上海200090
国内会议
上海
中文
303-312
2019-05-17（万方平台首次上网日期，不代表论文的发表时间）