庄丽丽，石鸿雁

(沈阳工业大学理学院，辽宁 沈阳 110870)

0 引 言

离群点检测作为数据挖掘的基本任务之一，该技术的目的在于通过分析离群点的分布特征，高效准确地从海量的数据中挖掘出异常的数据信息[1-2]。传统的离群点检测方法一般分为4类：基于统计学的、基于分类的、基于聚类的和基于密度的[3]。目前，离群点检测技术被应用于诈骗检测、图像处理、异常模式检测等许多领域。k-means算法作为一种经典的聚类算法[4-5]，近年来被广泛地应用于离群点检测领域。基于k-means算法的离群点检测方法简单、高效，可以快速地检测出离群数据，但同时该离群点检测算法对初始聚类中心敏感，导致检测结果出现误差。为了解决这一问题，很多学者将仿生智能优化算法运用于传统k-means算法的离群点检测中，产生了许多k-means算法的离群点检测的衍生算法。例如:傅涛等人[6]将粒子群优化算法(PSO)与k-means算法结合，用于入侵检测，克服了k-means算法容易受到初始聚类中心的影响这一缺点；于佐军等人[7]将蜂群算法用于k-means算法中，提高了算法的收敛速度，消除了算法受初始聚类中心的影响可能。但粒子群和人工蜂群算法参数较多，而且与k-means算法结合后的算法在求解精度方面没有明显改善。

而本文提到的布谷鸟搜索算法(Cuckoo Search, CS)作为一种新型启发式算法，该算法模拟布谷鸟需要寻找宿主鸟窝孵化鸟蛋这种寄生现象的过程，具有参数少、操作简单以及全局寻优能力强的优点。但同时也存在一些缺点：受莱维飞行随机游走的盲目性的影响，在搜索过程中容易陷入局部最优，并且收敛速度慢[8]。……