潘成胜，张 斌，吕亚娜，杜秀丽，邱少明

大连大学 通信与网络重点实验室，辽宁 大连116622

随着大数据时代的不断推进，各类文字信息充斥于人们视野中，但其中有用的信息不易被发现，聚类方法凭借其聚类速度快、效果明显等优点广泛应用于文本信息挖掘[1-2]。文本聚类的目的是将非结构化的文本数据分成多个类簇，其中同类簇文本相似度高，不同类簇文本相似度低[3]。K-Means 算法作为最经典的聚类算法，在文本聚类中应用广泛；但K-Means 算法也存在局限性，如对初始聚类中心要求过高，算法易收敛到局部最小值等，以致文本聚类结果不可靠[4-6]。

研究人员对K-Means 文本聚类算法作了改进，如：文献[7]将粒子群算法与K-Means 算法结合进行文本文档聚类分析，改善了K-Means算法的文本聚类效果不佳的缺陷；文献[8]使用核函数对K-Means 算法进行改进，并对改进后的K-Means算法进行文本聚类划分，改善了传统K-Means算法的部分缺点；文献[9]对词语间的相似性计算进行了修正，来改进K-Means 算法，具有一定的文本聚类效果；文献[10]使用密度峰值对K-Means 算法优化进行文本聚类，但是未从本质上解决K-Means算法容易陷入局部最优的问题，致使文本聚类效果可靠性降低。

Mirjalili等[11]在2014年提出了灰狼优化（Grey Wolf Optimizer，GWO）算法作为一种新型的群智能算法，较粒子群算法、蝙蝠算法等有更优秀的收敛速度与搜索能力，部分研究人员也将GWO 算法与K-Means 算法结合进行聚类分析：文献[12]开发了一种基于GWO 算法的聚类算法来提高聚类性能；文献[13]提出了一种具有Powell 局部优化的GWO 聚类算法，在多数数据集上优于其他算法。……