林濤

【摘要】針對極大熵聚類算法未必能收斂到全局最優(yōu)解問題，本文借助差分進化算法的全局尋優(yōu)能力，對目標函數(shù)進行有效優(yōu)化，提出一種基于差分進化的極大熵聚類算法。通過實驗對比，表明本文算法具有改善聚類效果的能力。

【關(guān)鍵詞】智能優(yōu)化方法；差分進化算法；極大熵聚類；目標函數(shù)優(yōu)化

極大熵聚類算法（Maximum Entropy Clust

ering，MEC）[1]是經(jīng)典的模糊聚類方法，主要利用熵模型和最大熵定理設計目標函數(shù)。文獻[2]嚴格證明了MEC算法能夠收斂到目標函數(shù)的局部極小值，但未必能收斂到全局最優(yōu)點上。

差分進化算法（Differential Evolution，DE）是一種智能優(yōu)化方法，通過變異、交叉、選擇等處理和種群更替，最終在可行域中搜索出最優(yōu)解。DE算法具有較強的全局搜索能力，常用于解決實際中的復雜優(yōu)化問題。

本文借助DE算法的全局搜索能力，處理MEC算法目標函數(shù)的優(yōu)化問題，提出一種基于差分進化的極大熵聚類算法，使其具有更好的聚類性能。

1、極大熵聚類算法

4、實驗及結(jié)果分析

本文在 Iris、Wine、Seed、Breast 數(shù)據(jù)集上進行算法性能實驗，利用 RI、 NMI 指標評估聚類性能，以 MEC 作為對比算法，檢驗本文算法性能。各數(shù)據(jù)集的 具體實驗結(jié)果見表 1 和表 2。

結(jié)果表明，相比于MEC算法，本文算法在各數(shù)據(jù)集上，RI指標和NMI指標都略有提升，這說明DE算法應用到MEC算法上能夠有效提高優(yōu)化處理，改善聚類效果。

結(jié)語：

本文針對MEC算法易陷入局部最優(yōu)問題，利用DE算法對其目標函數(shù)進行有效優(yōu)化，設計出一種基于差分進化的極大熵聚類算法。經(jīng)過數(shù)據(jù)實驗檢驗，表明DE算法在一定程度上能更好地優(yōu)化MEC目標函數(shù)。

參考文獻：

[1]江森林.協(xié)同極大熵聚類算法[J].計算機應用與軟件，2014，31（05）：268-271+278.

[2]任世軍，王亞東.極大熵聚類算法的收斂性定理證明[J].中國科學：信息科學，2010，40（04）：583-590.