許明瑞

摘 要：針對鯨魚優(yōu)化聚類算法收斂精度低、在迭代次數(shù)較多時容易陷入局部最優(yōu)的問題，提出了一種基于概率擾動策略的鯨魚優(yōu)化聚類算法。主要從兩個方面對鯨魚算法進行改進，首先利用佳點集來初始化鯨魚種群，得到均勻性好的解，從而提高鯨魚種群的多樣性其次，利用概率擾動策略增強算法在尋優(yōu)后期的局部搜索能力。仿真實驗表明，改進后的算法的聚類準確率和穩(wěn)定性得到提高。

關(guān)鍵詞：鯨魚優(yōu)化算法;聚類分析;種群多樣性

DOI：10.16640/j.cnki.37-1222/t.2019.21.155

1 鯨魚優(yōu)化算法的基本原理

鯨魚優(yōu)化算法是一種新的啟發(fā)式群智能優(yōu)化算法[1]，該算法主要包括隨機搜索獵物、包圍獵物、螺旋更新位置三個階段。

4 實驗結(jié)果與分析

為了驗證IWOA的有效性，將K-means、CS、WOA與本文所提出的IWOA在仿真試驗下進行聚類質(zhì)量比較。實驗選取UCI數(shù)據(jù)庫中4個典型數(shù)據(jù)集Iris、Glass、Haberman、Wisconsin進行測試。

基于實驗測試結(jié)果，對于Iris數(shù)據(jù)集，從內(nèi)部評價指標(biāo)來看，IWOA的目標(biāo)函數(shù)最大值，最小值，平均值均優(yōu)于其它算法。從外部評價指標(biāo)來看，IWOA的ARI值相較于KM和WOA略有提升;對于Glass數(shù)據(jù)集，從內(nèi)部評價指標(biāo)來看，IWOA在平均值和最大值上優(yōu)于其它算法，從外部評價指標(biāo)來看，IOWA的ARI值和FMI值相較于其它算法均有較大提升。

對于Haberman數(shù)據(jù)集。從內(nèi)部評價指標(biāo)來看，IWOA的目標(biāo)函數(shù)最大值，最小值，平均值均優(yōu)于其它算法。從外部評價指標(biāo)來看，IWOA的FMI值優(yōu)于K-means和WOA。對于Wisconsin數(shù)據(jù)集，從內(nèi)部評價指標(biāo)來看，IWOA的目標(biāo)函數(shù)最大值，最小值，平均值均優(yōu)于其它算法。從外部評價指標(biāo)來看，IWOA的ARI值對其它算法有一定的提升，F(xiàn)MI值優(yōu)于K-means。

參考文獻：

[1]Seyedali Mirjalili，Andrew Lewis.The Whale Optimization Algorithm[J].Advances in Engineering Software，2016，95.

[2]華羅庚，王元.數(shù)論在近似分析中的應(yīng)用[M].科學(xué)出版社，1978.