[发明专利]一种基于多点张力模型的快速聚类方法

摘要

本发明涉及一种基于多点张力模型的快速聚类方法，属于聚类分析技术领域。初始阶段，从UCI数据集库中选取某个数据集，判断当前蜜蜂是否是引领蜂；根据算子找到更好的解，使算法跳出局部最优；判断是否所有蜜蜂均完成搜索活动，所有蜜蜂均完成搜索活动后，评估当前所有蜜源的适应度，并记录当前最好的解；判断算法是否满足终止条件，当算法满足终止条件时，输出最优解，算法终止。本发明在局部搜索阶段，结合遗传算法中的交叉算子和变异算子提高了算法收敛速度和解的多样性，适用于不同规模、多种类型的数据集，具有较强的伸缩性和健壮性。

主权项

一种基于多点张力模型的快速聚类方法，其特征在于：该方法包括以下步骤：步骤一：初始阶段，从UCI数据集库中选取某个数据集，设定控制参数的值后，选取一定数量的蜜源，一个蜜源代表一个解，蜜源的质量代表解的适应度；将蜜源随机分布在空间中，蜜源的位置即为聚类中心位置；步骤二：引领蜂先在蜜源邻域搜索新的解，搜索方式按照公式Vi＝Xi+Ri(Xi‑Xh)进行，其中i,h∈{1,2,…,N}，N表示初始解的数量，Vi是新的蜜源，Xi是旧蜜源，Ri是[‑1.1]内的随机数；如果Vi的适应度比Xi高，则替代Xi，否则Xi保持不变；步骤三：当所有引领蜂完成搜索行为后，评估所有解的适应度，跟随蜂按照概率值Pi选择新的蜜源，Pi根据公式计算，其中i∈{1,2,…,N}，N表示初始解的数量，fi表示第i个解的适应度；Pi与随机数r比较，若Pi＜r，则跟随蜂在蜜源邻域结合变异算子搜索新的解，搜索方式按照公式Xi'＝Xi+α1(Xbest‑Xi)+β1(Xp‑Xq)进行，其中Xi'表示Xi更新后的解，Xbest为当前最好的解，p,q∈[1,N]之间的随机整数，α1,β1服从均匀分布；步骤四：引入交叉算子增加解的多样性，使算法更容易跳出局部最优，其中i,k＝1,2,…,N，Cr是交叉率，设Cr＝0.15；步骤五：若某个解Xs经过Limit次迭代后没有找到更合适的解来替代它，则该Xs将被丢弃；重新评估所有解的适应度；引入丢弃算子并结合物理学的张力模型使算法跳出局部最优，使陷入局部最优的解Xs移动到更加合理的位置；选择当前最好的解Xg和次好解Xb，找到Xg和Xb的中间位置Xc＝(Xg+Xb)/2；对Xc进行反射拓展得到新的解Xr的位置Xr＝Xc+α2(Xc‑Xs)，其中α2是反射系数，设α2为1；步骤六：当fXr＞fXg，再次进行拓展操作：Xe＝Xc+γ(Xr‑Xc)，其中Xe为拓展点，γ是拓展系数，设γ为2；如果fXe＞fXg，则用Xe替代Xs，否则Xr将替代Xs；当fXr＜fXs，将进行压缩操作：Xt＝Xc+β2(Xs‑Xc)，其中Xt为Xs压缩后的点，β2为压缩系数，设β2为0.5，如果fXt＞fXs，则用Xt替代Xs，否则Xs保持不变；当fXs＜fXr＜fXg，将进行收缩操作：Xw＝Xc‑β3(Xs‑Xc)，其中Xw为收缩后的点，β3为收缩系数，设β3为0.5，如果fXw＞fXs，则Xw将替代Xs，否则用Xr替代Xs；步骤七：不断进行迭代，当满足终止条件，算法终止。