基于改进人工蜂群算法的 K 均值聚类算法（Matlab代码实现）-编程知识

基于改进人工蜂群算法的 K 均值聚类算法（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章讲解

💥1 概述

复现论文：

基于以上三点改进提出了 IABC-Kmeans 算法。该算法的基本思想是: 通过 IABC 算法进行一次迭代，将迭代得到的新位置作为 KMC 的初始点并进行一次 K 均值聚类，再用聚类获得的新的中心点更新蜂群; 如此交替执行 IABC 算法和 K均值聚类，直到算法结束。

算法基本步骤描述如下:

步骤 1 设置引领蜂、跟随蜂和侦察蜂的数量( 一般有引领蜂数量 = 跟随蜂数量) ; 最大迭代次数 MCN 以及控制参数Limit; 当前迭代次数Cycle，初始值为1; 聚类类别数 k; 利用最大最小距离积法初始化蜂群，产生 { Z1，Z2，…，ZN } 个初始蜂群。

步骤 2 对初始蜂群进行一次聚类划分，根据式( 5) 计算每只蜜蜂的适应度，按照适应度大小排序，将前一半作为引领蜂，后一半作为跟随蜂。

步骤 3 引领蜂利用式( 6) 对其邻域进行搜索，得到新的位置，按照贪婪选择原则，如果新的位置的适应度大于原先位置的适应度，则用新的位置更新原位置; 否则，保持原位置不变。当所有引领蜂完成邻域搜索后，根据式( 4) 计算概率 Pi。

步骤 4 跟随蜂利用算得的概率 Pi 并基于轮盘赌原则选择引领蜂，原则上，Pi 越大，表明引领蜂 i 的适应度值越大，被跟随蜂选中的概率也越大。当跟随蜂完成引领蜂选择后，利用式( 7) 对邻域搜索，同样按照贪婪选择原则选择适应度高的位置。

步骤 5 在所有跟随蜂完成搜索后，将得到的位置作为聚类中心，对数据集进行一次 K 均值迭代聚类，根据聚类划分，用每一类的新的聚类中心更新蜂群。

步骤 6 如果某引领蜂在 Limit 次迭代后，结果都没有改变，则由引领蜂变为侦察蜂，并随机产生一个新的位置取代原位置。

步骤 7 如果当前迭代次数大于最大次数 MCN，则迭代结束，算法结束; 否则转向步骤 2，Cycle = Cycle + 1。

📚2 运行结果

部分代码：

function [Colony Obj Fit oBas]=GreedySelection(Colony1,Colony2,ObjEmp,ObjEmp2,FitEmp,FitEmp2,fbas,ABCOpts,i)

oBas=fbas;
Obj=ObjEmp;
Fit=FitEmp;
Colony=Colony1;
if (nargin==8)%Inside the body of a user-defined function, NARGIN returns the number of input arguments that were used to call the function.
for ind=1:size(Colony1,1)%ind=1：5，对所有食物源进行贪婪选择
if (FitEmp2(ind)>FitEmp(ind))%如果Vi的适应度值大于Xi的，替换，，
oBas(ind)=0;
%zj因为这是已经被新的位置更新了，所以其开采度应该置为零，表示这是第一次，没有被开采过
Fit(ind)=FitEmp2(ind);
Obj(ind)=ObjEmp2(ind);
Colony(ind,:)=Colony2(ind,:);
else%否则不变，并且计数器bas+1
oBas(ind)=fbas(ind)+1;
%zj因为新的位置的适应度没有当前的好（大），所以在当前位置上仍保留当前解，表示当前又被开采了一次
Fit(ind)=FitEmp(ind);
Obj(ind)=ObjEmp(ind);
Colony(ind,:)=Colony1(ind,:);
end;
end; %for
end; %if
if(nargin==9)%第i个引领蜂被跟随，只对第i个食物源进行贪婪选择
ind=i;
if (FitEmp2(ind)>FitEmp(ind))
oBas(ind)=0;
Fit(ind)=FitEmp2(ind);
Obj(ind)=ObjEmp2(ind);
Colony(ind,:)=Colony2(ind,:);
else
oBas(ind)=fbas(ind)+1;
Fit(ind)=FitEmp(ind);
Obj(ind)=ObjEmp(ind);
Colony(ind,:)=Colony1(ind,:);
end;
end;