刘川川，丁海军（河海大学物联网工程学院，常州　213022）



一种基于改进人工蜂群的K-means聚类算法

刘川川，丁海军
（河海大学物联网工程学院，常州213022）

摘 要：针对K-means算法对初始的聚类中心选择敏感，全局搜索能力较差，聚类精度低以及稳定性不高，算法的鲁棒性较差等缺点，提出了一种基于改进的人工蜂群算法来对K-means聚类算法进行优化。算法构造了新的适应度函数，改进了食物源的位置更新公式来提高迭代效率。利用改进的人工蜂群算法良好的全局寻优能力，搜索速度快等优点，再加上K-means收敛速度快的优点，二者结合来提高算法的鲁棒性。将改进后的算法嵌入到WEKA这一数据挖掘平台中，充分利用了开源WEKA中的类和可视化功能，与WEKA中已有的聚类算法对比分析，可以获得更好的聚类结果。

关键词：聚类；人工蜂群算法；K-means算法；适应度函数；位置更新公式；WEKA平台

1 引 言

聚类分析是一种无监督的学习，它不需要数据集的先验知识，在图像识别、机器学习等领域有广泛的应用，是数据挖掘领域中的一个重要研究方向。聚类算法就是将数据对象划分为不同的多个簇，同一个簇中的对象尽可能相似，不同簇中的对象尽可能相异。K-means算法是目前使用广泛的一种基于划分的聚类算法［1］，该算法对初始聚类中心点的选择较为敏感，选择不同的初始聚类中心点，对聚类结果有比较大的影响。目前，已经有很多学者针对初始聚类中心的选择进行了研究，文献［2］中作者提出一种通过计算每个数据对象的密度，从中选取k个高密度分布的点作为初始聚类中心，有效提高了K-means聚类算法的准确率和稳定性。……