改进鲸鱼优化的模糊C-均值聚类算法

摘要

由于模糊C-均值聚类(Fuzzy C-Means Clustering, FCM)算法对初始化聚类中心的选取具有高度敏感性，以及在迭代优化过程中易陷入局部最优的困境，提出了一种改进鲸鱼优化的FCM算法.首先，为了解决鲸鱼优化算法(Whale Optimization Algorithm, WOA)对初始解依赖较强的问题，在WOA初始化环节，融入Logistics-Tent混沌序列，扩大了WOA的搜索范围；其次，在WOA的位置更新公式构建中，引入了自适应权重机制，通过调整自适应权重的大小，控制个体的搜索范围，平衡了WOA的全局搜索的搜索能力与局部开发能力；然后，在位置更新结束后，引入邻域扰动策略，对最优解附近的邻域进行扰动，避免WOA陷入局部最优和出现过早收敛的情况；最后，为解决FCM算法对初始聚类中心过度敏感的问题，将FCM的目标函数作为WOA的适应度函数，使FCM算法获得与自适应优化算法相同的特性.10个基准测试函数和10个公开的数据集上的实验结果表明，所提算法是有效的.

关键词

模糊C-均值聚类 / 鲸鱼优化 / 混沌映射 / 自适应权重 / 邻域扰动