基于进化算法的类黑猩猩元启发式数据聚类方法及其在智能学习系统中的应用

《Scientific Reports》：An evolutionary chimp-based chimp-based metaheuristic of data clustering with intelligent learning system applications

　　

摘要

在任何复杂的系统中，数据聚类对于辅助决策过程都具有重要意义，尤其是在数据规模庞大、维度高且类型多样的环境中。本文提出了一种对Chimp优化算法的进化改进版本（EVCHOA），旨在提升其在现实世界中的应用效果。该解决方案在受黑猩猩行为启发的搜索过程中引入了自适应进化更新机制，以提高探索与利用的比例，避免过早收敛。通过参考智能学习系统中的应用实例，可以证明EVCHOA的有效性——在这些系统中，聚类技术有助于分析学生表现数据，并为个性化决策提供支持。实验是在分布式计算框架下针对真实数据集进行的，其结果与K-means、DBSCAN、层次聚类、均值漂移和高斯混合模型等传统聚类方法进行了对比。性能评估采用了包括Davies-Bouldin指数、轮廓系数、调整后的Rand指数以及Calinski-Harabasz指数在内的常用有效性指标。研究结果表明，EVCHOA始终能实现更优的聚类效果，从而形成更为连贯的群体结构，便于决策者理解。在智能学习环境背景下，该方法有助于更准确地识别学生特征，精准实施干预措施，以更灵活的方式分配资源，还能为基于数据的教学规划提供支持。这些结果充分表明，进化元启发式算法是运筹学领域中一种实用的工具，能为各种应用领域的决策支持提供数据驱动且可扩展的解决方案。