王秋萍, 郭佳丽, 王晓峰
针对K-means算法对初始聚类中心敏感和容易陷入局部最优的
问题, 首先提出一种基于维数学习和二次插值的飞蛾火焰优化算法以提高
基本算法的求解精度和收敛速度, 即采用Tent混沌映射产生多样性较好的初始种群, 增
强算法的全局搜索能力; 对火焰位置采用维数学习策略生成更优良的火焰来指导飞蛾寻
优, 以提高算法的搜索效率; 把二次插值引入基本飞蛾火焰算法, 每次迭代利用二次函
数的极值点产生新的飞蛾个体, 增强算法的局部开发能力, 更好地平衡算法的探索与开
发能力, 从而改善了解的精度. 选取CEC 2017测试函数进行数值实验测试所提算法的性
能, 并与5个先进的元启发式算法比较, 结果表明: 所提出的算法具有更高的求解精度
和更强的鲁棒性. 然后, 将改进的飞蛾火焰算法用来优化聚类中心的位置, 5个UCI数
据集的实验结果表明改进的算法适用于求解K-means聚类问题, 且取得了好的聚类效果.