自调节步长果蝇优化算法在密度峰值聚类中的应用

"自调节步长果蝇优化的自适应密度峰值聚类算法是针对传统密度峰值聚类算法在设置截止距离和选择聚类中心时存在的问题而提出的一种新方法。该算法结合了果蝇优化算法的特性，通过动态调节步长以提高搜索效率和精度，同时采用自适应策略选择聚类中心，以更好地适应数据聚类的需求。 在密度峰值聚类（DPC）中，截止距离是一个关键参数，它决定了哪些点被视为邻居。传统的DPC算法通常需要预设一个固定的截止距离，这可能导致聚类效果不佳。为解决这一问题，该研究引入了一个自调节步长的果蝇优化算法。果蝇优化算法是一种模拟果蝇寻找食物行为的全局优化算法，具有良好的全局搜索能力。在此基础上，算法根据每一步迭代中最优浓度与最差浓度差值的变化率动态调整步长，提高了寻找最优解的效率和准确性。 聚类中心的选择是聚类算法的另一核心环节。传统的DPC算法基于局部密度和距离判断聚类中心，但可能受到异常值或噪声的影响。该文提出的方法在选择聚类中心时，考虑了局部密度与距离乘积的分布情况，依据这种分布自适应地选取中心，增强了算法对复杂数据集的适应性。 实验结果表明，自调节步长果蝇优化的自适应密度峰值聚类算法在计算精度和效率上超越了现有的DPC改进算法。该算法不仅能更准确地识别出数据集中的聚类结构，而且能完全自适应地处理不同形态和大小的聚类，对于大数据集的处理具有较高的实用性。 关键词：聚类、密度峰值聚类、果蝇优化、自调节步长、自适应 参考文献：邓然然，李伟，杨荣新.自调节步长果蝇优化的自适应密度峰值聚类.计算机系统应用,2020,29(4):126–136.http://www.c-s-a.org.cn/1003-3254/7343.html AdaptiveDensityPeakClusteringBasedonFruitFlyOptimizationofSelf-AdjustingStep-Size DENGRan-Ran,LIWei,YANGRong-Xin (SchoolofInformationEngineering,Chang’anUniversity,Xi’an710064,China) 总结来说，这篇研究介绍了一种创新的聚类方法，通过自调节步长的果蝇优化算法优化了DPC算法的关键步骤，提升了聚类的准确性和效率，为数据挖掘和机器学习领域的聚类问题提供了新的解决方案。