来源：期刊VIP网 时间：
作者：刘红达;王福顺;孙小华;张广辉;王斌;何振学;
单位：河北农业大学信息科学与技术学院;河北省农业大数据重点实验室;河北软件职业技术学院;
摘要：为改进传统K-Means聚类算法中因随机选取初始聚类中心而导致聚类结果不稳定且效率低的缺点，提出一种基于改进差分进化的K-Means聚类算法（AGDE-KM）。首先，设计自适应操作算子来提升算法前期的全局搜索能力和后期的收敛速度；其次，设计多变异策略并引入权重系数，在算法的不同进化阶段发挥不同变异策略的优势，平衡算法的全局和局部搜索能力，加快算法的收敛速度；最后，提出一种基于当前种群最佳个体的高斯扰动交叉操作，为个体提供更优进化方向的同时保持种群在“维”上的多样性，避免算法陷入局部最优。将算法停止执行时输出的最优解作为初始聚类中心替代传统K-Means随机选取的聚类中心。将提出算法在UCI公共数据库中的Vowel、Iris、Glass数据集和合成数据集Jcdx上进行对比实验，误差平方和（SSE）相对于传统K-Means分别减小5.65%、19.59%、13.31%、6.1%，聚类时间分别减少83.03%、81.33%、77.47%、92.63%。实验结果表明，提出的改进算法具有更快的收敛速度和更好的寻优能力，显著提升了聚类的效果、效率和稳定性。
关键词：K-Means聚类算法;;差分进化算法;;多变异策略;;高斯扰动;;UCI数据库;;聚类中心优化
基金资助：河北省重点研发计划项目（22327403D）
