基于概率擾動策略的鯨魚優化聚類算法

許明瑞

摘 要：針對鯨魚優化聚類算法收斂精度低、在迭代次數較多時容易陷入局部最優的問題，提出了一種基于概率擾動策略的鯨魚優化聚類算法。主要從兩個方面對鯨魚算法進行改進，首先利用佳點集來初始化鯨魚種群，得到均勻性好的解，從而提高鯨魚種群的多樣性其次，利用概率擾動策略增強算法在尋優后期的局部搜索能力。仿真實驗表明，改進后的算法的聚類準確率和穩定性得到提高。

關鍵詞：鯨魚優化算法;聚類分析;種群多樣性

DOI：10.16640/j.cnki.37-1222/t.2019.21.155

1 鯨魚優化算法的基本原理

鯨魚優化算法是一種新的啟發式群智能優化算法[1]，該算法主要包括隨機搜索獵物、包圍獵物、螺旋更新位置三個階段。

4 實驗結果與分析

為了驗證IWOA的有效性，將K-means、CS、WOA與本文所提出的IWOA在仿真試驗下進行聚類質量比較。實驗選取UCI數據庫中4個典型數據集Iris、Glass、Haberman、Wisconsin進行測試。

基于實驗測試結果，對于Iris數據集，從內部評價指標來看，IWOA的目標函數最大值，最小值，平均值均優于其它算法。從外部評價指標來看，IWOA的ARI值相較于KM和WOA略有提升;對于Glass數據集，從內部評價指標來看，IWOA在平均值和最大值上優于其它算法，從外部評價指標來看，IOWA的ARI值和FMI值相較于其它算法均有較大提升。

對于Haberman數據集。從內部評價指標來看，IWOA的目標函數最大值，最小值，平均值均優于其它算法。從外部評價指標來看，IWOA的FMI值優于K-means和WOA。對于Wisconsin數據集，從內部評價指標來看，IWOA的目標函數最大值，最小值，平均值均優于其它算法。從外部評價指標來看，IWOA的ARI值對其它算法有一定的提升，FMI值優于K-means。

參考文獻：

[1]Seyedali Mirjalili，Andrew Lewis.The Whale Optimization Algorithm[J].Advances in Engineering Software，2016，95.

[2]華羅庚，王元.數論在近似分析中的應用[M].科學出版社，1978.