基于改进HHO与K-Medoids的混合聚类算法

针对K-Means在聚类过程中对离群点敏感以及容易陷入局部最优的不足,本文提出一种基于改进HHO(IHHO)与K-Medoids的混合聚类算法(IHHO-KMedoids)。在IHHO中,带有Logistic混沌扰动的控制参数策略更好地实现了探索与开发之间的平衡,集成变异策略提高了算法的全局搜索能力,翻筋斗觅食策略增强了种群多样性,避免算法陷入局部最优。将所提IHHO与5种其他群智能算法和4种改进的HHO算法在CEC 2014测试函数上进行对比,实验结果表明IHHO算法的优化效果较好,求解精度较高。K-Medoids与K-Means相比对噪声点和离群点更鲁棒。IHHO-KMedoids算法稳定性好,不易陷入局部最优。UCI数据集和文本数据集上的仿真结果表明IHHO-KMedoids算法效率高,聚类精度高。