改进的混合蛙跳与阴影集粗模糊聚类算法提升聚类性能

本文主要探讨了一种名为"基于混合蛙跳与阴影集优化的粗糙模糊聚类算法"（SFLA-SRFCM），该算法旨在解决粗糙模糊聚类中的几个关键问题。粗糙模糊聚类算法通常对初始值非常敏感，容易陷入局部最优解，并且其聚类效果高度依赖于阈值的选择。为了解决这些问题，作者提出了创新性的解决方案： 1. 混合蛙跳算法的增强：混合蛙跳算法被引入，通过设置自适应调节因子，提高了算法在局部搜索上的效率和鲁棒性。自适应调节因子允许算法动态调整步长，使得在搜索过程中能够更有效地探索潜在的全局最优解，减少受初始值影响的可能性。 2. 新的适应度函数设计：为了更全面地评估聚类效果，作者构建了一个新的适应度函数，该函数考虑了类簇上、下近似集的模糊类内紧密度和模糊类间分离度。这种设计有助于衡量数据点之间的相似性和区分性，从而提高聚类的准确性和稳定性。 3. 阴影集的运用：阴影集是一种用于动态调整决策边界的方法，在这里被用来自适应地获取类簇阈值。通过阴影集，算法可以根据数据分布和聚类情况动态调整阈值，降低了对预设阈值的依赖，增强了聚类的灵活性。 实验结果表明，SFLA-SRFCM算法在聚类精度和有效性指标方面表现出显著的优势，证明了它在处理粗糙模糊数据集时的有效性和鲁棒性。这一研究对于改进粗糙模糊聚类算法的性能，特别是在处理复杂、噪声多的数据集时，有着重要的理论和实践意义。该算法的提出为粗糙集、阴影集、粗糙模糊聚类以及混合蛙跳算法等领域提供了新的思考和应用方向。