MATLAB环境下一种基于蜉蝣优化方法的聚类算法

随着大数据时代的来临，机器学习技术的发展也越来越快。聚类分析作为数据分析中最有代 表性的方法之一，被广泛应用于无监督机器学习中。K-Means聚类算法是经典聚类分析算法中的一种，其算法相对简单易懂，在容易实现的同时兼具收敛速度快等优点，被大量学者应用于模式识别、数据处理、模型分类等方面的研究。

K-Means算法的原理是将待处理的数据集分为K个不同的类，要求在划分时遵循互不干扰的 原则，分配时遵循最近邻法则。K-Means 算法存在两个主要缺点：一是初始聚类中心是随机选取的，每一次运行的初始值均不相同，大大影响了最终的聚类结果；二是此类传统聚类算法的通病— “局部最优”。

为了改善K-Means算法的稳定性和效率问题，如何选取一个合理的初始聚类中心显得尤为重要。为了获得更好的聚类效果，许多研究者在传统算法上提出了改进算法。近年来，群智能优化算法的出现解决了K-Means 算法对初始中心点过度依赖的问题。例如有学者使用经典粒子群算法对 K-Means算法进行优化，实验得到的聚类结果未陷入局部最优，而且在实际应用中的效果得到了提升。

蜉蝣算法主要模拟了蜉蝣的飞行行为及交配过程，每个蜉蝣在搜索空间中的位置代表了 问题的一个可能的解。蜉蝣算法（MA）可以认为是粒子群优化算法的一种改进，其综合了粒子群PSO、遗传算法 GA 和萤火虫算法FA的各大优势，具有收敛速度快，搜索能力强等优点，因此使用蜉蝣算法对K-Means聚类算法进行优化。

MATLAB环境下一种基于蜉蝣优化方法的聚类算法

压缩包=数据＋程序＋参考文献。

部分代码如下：

%% Problem Definition
% Objective Function
funcname='Clustering';
Index = 'DB';	% DB or CS
X = xlsread('mydata.xlsx'); % Replace the data in this files with your data
% Remove outliers
%X = rmoutliers(X,"mean");
% Normilize Data
%X=normalize(X,"range");
k = 10;
ObjectiveFunction=@(s) ClusteringCost(s, X, Index);     % Cost Function
ProblemSize=[k size(X,2)+1];  % Decision Variables Matrix Size
LowerBound= repmat([min(X) 0],k,1);      % Lower Bound of Variables
UpperBound= repmat([max(X) 1],k,1);      % Upper Bound of Variables

寻优结果如下：

完整代码如下：
https://mbd.pub/o/bread/mbd-ZJyUk55x