一种改进的人工蜂群算法与KECM迭代结合的聚类算法

　　针对核模糊C均值（ KFCM）算法对初始聚类中心敏感、易陷入局部最优的问题，利用人工蜂群（ABC）算法的构架简单、全局收敛速度快的优势，提出了一种改进的人工蜂群算法（ IABC）与KFCM迭代相结合的聚类算法。首先，以IABC求得最优解作为KFCM算法的初始聚类中心，IABC在迭代过程中将与当前维度最优解的差值的变化率作为权值，对雇佣蜂的搜索行为进行改进，平衡人工蜂群算法的全局搜索与局部开采能力；其次，以类内距离和类间距离为基础，构造出适应KFCM算法的适应度函数，利用KFCM算法优化聚类中心；最后，IABC和KFCM算法交替执行，实现最佳聚类效果。采用3组Benchmark测试函数6组UCI标准数据集进行仿真实验，实验结果表明，与基于改进人工蜂群的广义模糊聚类（IABC-KGFCM）相比，IABC-KFCM对数据集的聚类有效性指标提高1到4个百分点，具有鲁棒性强和聚类精度高的优势。