韩晓慧，王联国

(1.甘肃农业大学工学院，甘肃兰州730070;2.甘肃农业大学信息科学技术学院，甘肃兰州730070)

0 引言

聚类分析［1］作为数据挖掘在实际应用中的主要任务之一，是数据挖掘领域中一个很活跃的研究课题。近几十年来得到了快速发展和成功应用。所谓聚类就是按照某个特定标准(一般为距离准则)把一个数据集分割成不同的类或簇，使得在类内的数据点的相似性尽可能大，同时类间的数据点的差异性也尽可能大［2］。

目前聚类算法主要分为:划分聚类、层次聚类、基于网格的聚类和基于密度的聚类。K—均值算法作为划分聚类中最经典的聚类算法之一，但它是一个局部搜索的算法，存在一些严重不足［3］:K值需要预先确定;聚类结果的好坏依赖于初始簇中心点的选取等。为此，许多研究者提出了基于智能优化算法的聚类方法［4～6］。

混合蛙跳算法作为智能算法的一种优化算法，是2000年由Eusuff和Lanse通过类比青蛙的觅食行为与优化问题求解的相似性而提出了一种新的基于全局协同搜索的智能优化方法。由于具有概念简单、参数少、求解快速等诸多优点已被应用于许多自然科学与工程科学领域，显示出强大的优势和潜力。对求解实优化问题，大量实验已证实，混合蛙跳算法较遗传算法收敛速度快、效率高。鉴于此，本文在文献［7］讨论改进混合蛙跳算法的基础上，提出了一种新的改进混合蛙跳的聚类算法，对算法进行了实验分析，并与基于传统混合蛙跳聚类算法、基于遗传聚类算法和基于蚁群聚类算法进行了比较，仿真实验证明本文提出的算法性能优于这几种算法。……