改进人工蜂群的K-medoids聚类算法：提高精度与搜索能力

本篇论文研究主要集中在一种改进的人工蜂群(K-medoids)聚类算法上，针对传统K-medoids算法存在的问题进行优化。K-medoids是一种基于划分的聚类算法，因其简单、收敛快和局部搜索能力强而广泛应用于计算机工程领域，如《计算机工程与应用》期刊2013年第16期的报道。然而，它存在对初始聚类中心选择敏感、聚类精度较低和全局搜索能力较差等缺陷。 传统的K-medoids算法依赖于随机选取初始聚类中心和搜索步长，这可能导致算法性能不稳定。为解决这些问题，作者提出了一种创新方法。首先，他们利用粒子和最大最小距离原则来初始化蜂群，确保初始聚类中心在解空间中均匀分布，且包含可能的优质解。这种策略增强了算法的全局覆盖能力，减少了对初始条件的敏感性。 此外，该算法还采用动态调整搜索步长的方法，即随着迭代次数的增加，逐渐减小φij，这样可以在迭代初期提供更大的搜索范围，而在后期则转向更精细的局部搜索，从而加速算法收敛。这种策略借鉴了侦察蜂的随机搜索策略，有助于跳出局部最优，提升全局搜索性能。 结合智能优化技术，特别是人工蜂群算法，该研究强化了K-medoids的局部搜索能力，使其在保持算法简单性和快速收敛的同时，提高了聚类的准确性和稳定性。作者李莲、罗可和周博翔来自长沙理工大学计算机与通信工程学院，他们的工作不仅改进了传统算法，还展示了在实际应用中提高聚类算法综合性能的可能性。 这篇论文通过引入粒子初始化和动态搜索步长策略，以及与人工蜂群算法的有效融合，设计了一种新型的K-medoids聚类算法，旨在提升算法在处理复杂数据集时的稳健性和效率，对于实际的聚类分析任务具有重要的理论和实践价值。