IABC-DBSCAN: 自适应人工蜂群优化的DBSCAN聚类新算法

"这篇论文研究了一种基于自适应人工蜂群优化的DBSCAN聚类算法，称为IABC-DBSCAN，旨在解决传统DBSCAN算法的参数设置问题和ABC算法的收敛速度问题。通过结合截断选择机制和锦标赛选择机制，提出TCSM来增强种群多样性，防止局部最优。同时，采用自适应步长策略(ASS)提高搜索效率和聚类速度。算法在多种测试函数和数据集上验证，结果显示其能有效克服DBSCAN和ABC的不足，提高正确率和召回率。" 本文主要讨论了DBSCAN聚类算法及其在实际应用中遇到的问题，如全局参数设置的不合理性和参数选取的困难。DBSCAN是一种基于密度的空间聚类算法，能够发现任意形状的聚类并能处理噪声点，但在确定合适的参数ε（邻域半径）和MinPts（邻域内点的最小数量）时，往往需要大量试错。此外，它不能有效地识别重叠区域的聚类。 为了解决这些问题，作者引入了人工蜂群优化算法（ABC）。ABC算法是一种模拟蜜蜂寻找蜜源行为的全局优化算法，但其在后期可能存在收敛速度慢和易陷入局部最优的问题。因此，作者提出了一种改进的ABC-DBSCAN（IABC-DBSCAN）算法，结合了截断选择机制和锦标赛选择机制，形成TCSM，以增强种群多样性，避免算法过早收敛到局部最优解。同时，他们还引入了自适应步长策略(ASS)，这使得跟随蜂能够根据当前搜索状态动态调整搜索范围，从而提高局部搜索能力，加快聚类过程。 在IABC-DBSCAN算法中，作者将蜜源位置与DBSCAN的ε邻域对应，蜜源的适应度表示DBSCAN的聚类效果。通过这种方式，优化算法能够动态调整DBSCAN的参数，以适应不同数据集的特性。经过一系列的实验验证，IABC-DBSCAN算法在各种测试函数和数据集上的表现优于原版的DBSCAN和ABC算法，提高了聚类的准确性和召回率。 这篇论文提出的IABC-DBSCAN算法是针对DBSCAN和ABC算法的一种改进，通过引入新的选择机制和自适应策略，提高了聚类算法的性能和适用性，对于理解和改进聚类算法具有重要的理论价值和实践意义。