基于改进多目标萤火虫优化算法的模糊聚类方法

　　针对传统的模糊聚类算法大都针对单一目标函数的优化，而无法获得更全面、更准确的聚类结果的问题，提出一种基于改进多目标萤火虫优化算法的模糊聚类方法。首先在多目标萤火虫算法中引入一种动态调整的变异机制以获得更加均匀分布的非劣解，其中以动态减小的概率选择个体并采用类似于差分进化算法中变异算子的策略对其进行变异，通过自适应调整收缩因子以提高变异效率。然后当归档集中的最优解集充满时，从中选取一定量的解与当前种群组合进行下一次进化，使得算法具有更高的效率。最后将其运用到模糊聚类问题中，通过同时优化两个模糊聚类指标的目标函数并从最终的归档集中选取一个解确定聚类结果。采用5组数据进行实验的结果表明，相对于单目标聚类方法，所提方法对各种数据集的聚类有效性指标提高了2到8个百分点，具有更高的聚类准确性和更好的综合性能。