Resumen

El clustering difuso tradicional es sensible a la inicialización e ignora la diferencia de importancia entre características, por lo que el rendimiento no es satisfactorio. Para mejorar la robustez y precisión del clustering, en este trabajo se propone un algoritmo de clustering difuso ponderado por características basado en la optimización multiestrategia del lobo gris. Este algoritmo no sólo puede mejorar la precisión del clustering considerando la diferente importancia de las características y asignando a cada característica un peso diferente, sino que también puede obtener fácilmente la solución óptima global y evitar el impacto del proceso de inicialización implementando la optimización multiestrategia del lobo gris. Esta optimización multiestrategia incluye tres componentes: una estrategia de inicialización de la diversidad de la población, una estrategia de ajuste no lineal del factor de convergencia y una estrategia de aprendizaje basada en la oposición generalizada. Pueden mejorar la diversidad de la población, equilibrar mejor la exploración y la explotación, y mejorar aún más la capacidad de búsqueda global, respectivamente. Para evaluar el rendimiento de agrupación de nuestro algoritmo de agrupación, se seleccionan conjuntos de datos UCI para los experimentos. Los resultados experimentales muestran que este algoritmo puede lograr una mayor precisión y una mayor robustez.

• Materias:Ingeniería electrónica Redes Inalámbricas Procesamiento de señales asistido por computador Informática Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Signal processing computer-assisted Computing Data processing
• Palabras claves:optimización multiestrategia del lobo gris, algoritmo, estrategia de inicialización de la diversidad de la población, agrupación difusa tradicional, mejor exploración del equilibrio, algoritmo de agrupación difusa, solución óptima global, capacidad de búsqueda global, estrategia de ajuste no lineal, precisión
• Keywords:multistrategy grey wolf optimization, algorithm, population diversity initialization strategy, traditional fuzzy clustering, better balance exploration, fuzzy clustering algorithm, global optimal solution, global search capability, nonlinear adjustment strategy, accuracy