编辑推荐：
本文综述了元启发式算法在数据聚类领域的最新进展，重点探讨了黑翅鸢算法（Black-Winged Kite Algorithm, BKA）及其三种增强变体（Chaotic BKA, CBKA; Lévy Flight-based BKA, LBKA; 以及混合的 Chaotic Lévy BKA, CLBKA）在解决传统聚类方法（如K-means）面临的早熟收敛和种群多样性不足等问题中的应用。通过整合混沌逻辑映射（chaotic logistic mapping）增强搜索多样性，利用莱维飞行（Lévy flight）实现长程探索，并结合柯西扰动（Cauchy-based perturbations）提高收敛稳定性，该研究在16个UCI基准数据集上验证了混合算法CLBKA的优越性能。其结果表明，将混沌动力学与莱维飞行机制集成，可显著提升聚类任务的鲁棒性和优化效率，为复杂、高维的生命科学与健康医学数据分析提供了新的高效工具。
引言
聚类作为一种核心的无监督学习技术，旨在根据相似性将无标签数据样本组织成有意义的组，同时增强簇内紧凑性和簇间分离性。它在模式识别、机器学习和数据挖掘等领域至关重要。传统的聚类方法如K-means、层次聚类和DBSCAN虽然广泛应用，但通常对数据分布有较强假设，在处理噪声、非凸或高维数据集时面临挑战，例如对初始中心敏感、易陷入局部最优等。近年来，元启发式优化算法因其在复杂、非线性、多模态搜索空间中有效导航并避免不良局部解的能力，在聚类领域受到越来越多的关注。一系列受自然启发的元启发式算法，如遗传算法（GA）、粒子群优化（PSO）、灰狼优化器（GWO）和蚁狮优化器（ALO），已通过基于种群的搜索策略迭代优化聚类中心，成功应用于聚类任务。然而，许多元启发式聚类算法仍然容易早熟收敛、种群多样性减少，并在处理高维或受噪声污染的数据集时陷入局部最优。
黑翅鸢算法及其增强变体
黑翅鸢算法（BKA）是一种于2024年提出的元启发式算法，灵感来源于黑翅鸢鸟的悬停、捕食和迁徙行为。该算法结合了基于攻击的运动模式、柯西驱动的迁移和自适应领导者选择等关键行为机制，以在搜索过程中调节探索与开发的平衡。尽管BKA在标准基准优化问题上显示出有竞争力的结果，但它仍可能遇到早熟收敛和逃离局部最优区域能力有限等挑战。为了缓解这些缺点，研究引入了三种BKA的增强变体：
- 1.
混沌黑翅鸢算法（CBKA）：整合了混沌逻辑映射，以增加搜索多样性。
- 2.
基于莱维飞行的黑翅鸢算法（LBKA）：引入了莱维飞行驱动的转换，以加强全局探索。
- 3.
混合混沌莱维黑翅鸢算法（CLBKA）：结合了混沌映射和莱维飞行两种机制，以实现更有效和平衡的探索策略。
混沌映射策略因其对初始条件的敏感性、遍历行为以及生成非周期性和多样化搜索轨迹的能力而被广泛用于元启发式算法。其中，逻辑映射常被报道为维持种群多样性和缓解进化搜索过程中停滞现象的有效机制。同时，基于莱维飞行的搜索策略因其重尾步长分布而被越来越多地集成到元启发式框架中，该分布允许偶尔的长距离移动，显著增强了全局探索，从而提高了优化算法逃离局部最优和探索更广阔搜索空间区域的能力。
方法论框架
本研究的方法旨在全面评估BKA及其增强变体CBKA、LBKA和CLBKA的聚类性能。整个过程包括一系列系统阶段：数据集获取、预处理、初始种群生成、通过平方误差和（SSE）进行适应度评估，以及通过混沌诱导和莱维飞行机制进行迭代优化。每个解决方案通过攻击和迁徙行为进行动态更新，并辅以周期性的领导者选择来指导收敛。最后，使用内部（SSE）和外部（Rand Index）指标评估聚类质量。BKA的核心行为包括攻击行为和迁徙行为：
- •
攻击行为：模拟黑翅鸢的狩猎策略，包括稳定悬停、连续观察和快速定向下降。其数学建模如原文公式（1）和（2）所示，其中控制参数n调节攻击阶段的步长和搜索强度。
- •
迁徙行为：受鸟类迁徙启发，当局部搜索停滞时，算法通过基于柯西分布的随机扰动将个体重新定位到新的搜索区域，有助于跳出局部最优。
实验结果与讨论
该研究在十六个UCI基准数据集上对所提出的算法进行了评估，并在不同种群规模和迭代设置下进行了30次独立运行。实验结果表明：
- •
CLBKA的优越性：混合混沌莱维黑翅鸢算法（CLBKA）在聚类准确性和稳定性方面 consistently 实现了 superior 的聚类性能。
- •
统计验证：使用Friedman检验和Wilcoxon检验进行的统计验证确认了显著的性能差异，CLBKA在所有配置中获得了最低的平均排名。
- •
核心发现：整合混沌动力学和莱维飞行机制增强了聚类的鲁棒性和优化效率。这表明，在元启发式聚类框架中统一集成混沌控制和莱维驱动探索，可以解决单一机制算法的局限性，特别是在为新开发的算法（如黑翅鸢算法）量身定制时。
结论与展望
本研究将原始黑翅鸢算法及其增强变体（CBKA、LBKA和CLBKA）通过基于中心的优化框架应用于聚类领域。研究发现，将混沌逻辑映射和莱维飞行策略集成到BKA中，可以有效解决元启发式聚类中常见的早熟收敛和有限探索问题。CLBKA算法在多个数据集上表现出的卓越性能，为处理复杂、高维数据的聚类任务提供了一个强有力的新工具。未来的研究方向可以包括将所提出的算法应用于更广泛的真实世界数据集，进一步优化参数设置，以及探索与其他先进元启发式或机器学习技术的混合策略，以应对更具挑战性的数据分析场景。
