编辑推荐：
数据聚类在图像处理等领域至关重要，传统技术存在初始化敏感等局限。研究人员提出增强海象优化算法（IWO），融合对立学习（OBL）和变异搜索策略（MSS）。实验表明 IWO 性能优于 PSO 等算法，为复杂聚类问题提供新框架。
在数据爆炸式增长的时代，数据聚类作为机器学习和数据分析的核心技术，如同一位精准的 “数据分拣师”，在图像处理、医疗诊断、生物信息学等领域承担着将复杂数据分门别类的重任。然而，传统聚类方法如 k-means、模糊 c 均值等，如同戴着枷锁的舞者，受困于对初始位置敏感、易陷入局部最优、收敛性能差等难题，在面对高维、多模态数据时常常力不从心。如何让聚类算法在复杂的数据迷宫中精准找到最优解，成为困扰研究者的一大挑战。为了突破这一瓶颈，来自相关领域的研究人员展开了对优化算法的深入探索，试图为数据聚类装上更强大的 “导航系统”。
在这样的背景下，一项发表在《Array》的研究应运而生。研究人员聚焦于海象优化算法（Walrus Optimizer, WO）的改进，提出了一种融合对立学习（Opposition-Based Learning, OBL）和变异搜索策略（Mutation Search Strategy, MSS）的增强海象优化算法（Improved Walrus Optimizer, IWO），旨在提升算法在数据聚类中的探索和开发能力，解决传统方法的局限性。
研究人员采用了多种关键技术方法来验证 IWO 的性能。首先，在基准函数测试中，选取了包括单峰和多峰函数在内的多种测试函数，对比了 IWO 与粒子群优化算法（PSO）、灰狼优化算法（GWO）、非洲秃鹫优化算法（AVOA）等多种元启发式算法。其次，在数据聚类实验中，使用了 UCI 存储库中的多个数据集，如乳腺癌、避孕药选择、玻璃识别等，涵盖不同特征、实例和分类数，全面评估算法的鲁棒性和适应性。
实验结果与分析
基准函数测试结果
在基准函数实验中，IWO 展现出了卓越的性能。通过与 AOA、PSO、GWO 等算法的对比发现，IWO 在大多数测试函数中收敛速度更快，能更稳定地找到全局最优解。例如，在单峰函数 F1（Sphere）和多峰函数 F5（Rastrigin）等测试中，IWO 的最佳值、平均值和标准差均优于其他算法，证明了其在不同类型问题中的高效性和稳定性。统计分析如 p 值和排名分数进一步验证了 IWO 的优越性，表明其性能提升并非偶然。
数据聚类问题结果
在数据聚类实验中，研究人员选取了乳腺癌、CMC、玻璃识别等 8 个 UCI 数据集。结果显示，IWO 在多个数据集上表现出色。以乳腺癌数据集为例，IWO 的平均聚类误差低于其他算法，展现出在复杂医疗数据中精准分类的能力；在玻璃识别数据集这种对精度要求极高的场景中，IWO 即使在最坏情况下也能保持良好的聚类效果，证明了其适应性和可靠性。此外，在鸢尾花数据集等简单场景中，IWO 也能轻松实现高效聚类，凸显了其在不同复杂度数据中的普适性。
收敛行为分析
通过对比 IWO 与其他算法的收敛曲线发现，IWO 在早期能通过对立学习快速扩展搜索范围，探索数据空间的不同区域；在后期则通过变异策略精细调整解的位置，增强开发能力，避免陷入局部最优。这种独特的机制使其在处理多模态函数时，能有效平衡探索与开发，相较于 WO 等传统算法，显著提升了收敛速度和精度。
研究结论与意义
这项研究通过将对立学习和变异搜索策略引入海象优化算法，成功开发出高效的 IWO 算法。实验结果表明，IWO 在基准函数和实际数据集上均优于多种主流元启发式算法，为数据聚类提供了一种鲁棒且灵活的新框架。其意义不仅在于提升了聚类的准确性和稳定性，更在于为解决高维、复杂数据的聚类问题提供了新的思路和方法，在生物医学数据分析、图像识别等领域具有广阔的应用前景。未来，研究人员可进一步探索 IWO 与深度学习的结合，以及并行实现以提升其可扩展性，推动该算法在更多实际场景中的应用。
