基于启发式交叉策略优化的K-Means聚类算法

摘要

针对传统K-Means算法对初始质心敏感、易陷入局部最优以及未能充分挖掘聚类结果潜在语义特征的问题，提出一种基于启发式交叉策略优化的K-Means聚类算法.首先，该算法通过密度驱动的启发式交叉初始化策略，筛选高密度区域的代表性父代点，并引入交叉系数动态生成多样性初始质心，以降低随机初始化导致的聚类结果波动性；其次，在聚类迭代过程中，结合父代点信息与簇内均值更新规则，通过交叉操作动态调整质心位置，解决了传统算法因局部最优导致的簇间重叠问题；最后，将优化后的聚类结果输入多层感知机，利用其非线性映射能力挖掘潜在特征，实现了聚类结果与深层语义特征的深度融合.实验结果表明，该算法的轮廓系数、 Davies-Bouldin指数和调整Rand指数分别达0.634,1.398,0.621,显著优于其他改进算法，有效提升了算法的聚类准确性、稳定性和可解释性.

关键词

启发式交叉策略 / K-Means聚类算法 / 多层感知机 / 特征融合