针对KMC 局部最优问题的飞蛾捕焰优化方法*
2021-09-08张少帅陈永安
郭 璐,许 哲,黄 鹤,张少帅,陈永安
(1.西北工业大学无人机系统国家工程研究中心,西安 710072;2.西安爱生技术集团公司,西安 710065;3.中国电子科技集团公司第二十研究所,西安 710068;4.长安大学电子与控制工程学院,西安 710064)
0 引言
聚类分析是统计学习领域的重要组成部分,可以针对不同的对象分析差异,并且能够根据某种特定的规则进行模式分类。聚类的应用广泛,拥有很好的发展前景。随着社会发展对数据精度要求的不断提高,如何提高算法的聚类精度是广大学者一直以来的研究热点[1]。经典K-means 聚类(K-means Clustering,KMC)算法存在易受初始聚类中心和异常数据影响的缺陷[2],研究人员提出利用特征关联度对传统K-means 算法的初始聚类中心进行优化[3]和基于自适应权重的聚类算法[4]。
群智能优化算法作为新兴的演化计算技术取得了高速发展。2015 年Mirjalili 根据飞蛾总是围绕火焰做对数螺旋曲线轨迹的行为提出了一种飞蛾捕焰算法(Moth-flame Optimization,MFO)[5-6]。目前,MFO 算法已经在网络[7]、电力[8]、以及加工制造[9]等方面有了具体的应用,并在此基础上结合其他算法进行了设计。文献[10]将粒子群优化算法的速度更新方式与MFO 算法的位置更新方式相结合,使飞蛾群向历史最优解和全局最优解快速收敛,避免了陷入局部最优解的目的。文献[11]将MFO 算法位置更新的方式和Lévy 飞行搜索策略结合,达到增强局部搜索能力的目的,使得收敛速度和求解精度大幅度提高。文献[12]提出了一种纵横交叉混沌捕焰优化算法,采用纵横交叉机制,将火焰之间以及火焰不同维度之间相互结合,同时引入混沌算子,进一步提高了算法精确度和跳出局部最优能力[10]。……
