【原創】遺傳算法改進的模糊C-均值聚類MATLAB源碼
模糊C-均值算法容易收斂于局部極小點，為了克服該缺點，將遺傳算法應用于模糊C-均值算法(FCM)的優化計算中，由遺傳算法得到初始聚類中心，再使用標準的模糊C-均值聚類算法得到最優分類結果。本源碼由GreenSim團隊原創，轉載請注明，有意購買源碼或代寫相關程序，請與GreenSim團隊聯系。
function [BESTX,BESTY,ALLX,ALLY]=GAFCM(K,N,Pm,LB,UB,D,c,m)
%% 此函數實現遺傳算法，用于模糊C－均值聚類
% GreenSim團隊原創作品，轉載請注明
% Email:greensim@163.com
% GreenSim團隊主頁：[url=http://blog.sina.com.cn/greensim]http://blog.sina.com.cn/greensim[/url]
%% 輸入參數列表
% K        迭代次數
% N        種群規模，要求是偶數
% Pm       變異概率
% LB       決策變量的下界，M×1的向量
% UB       決策變量的上界，M×1的向量
% D        原始樣本數據，n×p的矩陣
% c        分類個數
% m        模糊C均值聚類數學模型中的指數
%% 輸出參數列表
% BESTX    K×1細胞結構，每一個元素是M×1向量，記錄每一代的最優個體
% BESTY    K×1矩陣，記錄每一代的最優個體的評價函數值
% ALLX     K×1細胞結構，每一個元素是M×N矩陣，記錄全部個體
% ALLY     K×N矩陣，記錄全部個體的評價函數值
%% 第一步：
M=length(LB);%決策變量的個數
%種群初始化，每一列是一個樣本
farm=zeros(M,N);
for i=1:M
    x=unifrnd(LB(i),UB(i),1,N);
    farm(i,:)=x;
end
%輸出變量初始化
ALLX=cell(K,1);%細胞結構，每一個元素是M×N矩陣，記錄每一代的個體
ALLY=zeros(K,N);%K×N矩陣，記錄每一代評價函數值
BESTX=cell(K,1);%細胞結構，每一個元素是M×1向量，記錄每一代的最優個體
BESTY=zeros(K,1);%K×1矩陣，記錄每一代的最優個體的評價函數值
k=1;%迭代計數器初始化
%% 第二步：迭代過程
while k<=K
%% 以下是交叉過程
    newfarm=zeros(M,2*N);
    Ser=randperm(N);%兩兩隨機配對的配對表
    A=farm(:,Ser(1));
    B=farm(:,Ser(2));
    P0=unidrnd(M-1);
    a=[A(1:P0,:);B((P0+1):end,:)];%產生子代a
    b=[B(1:P0,:);A((P0+1):end,:)];%產生子代b
    newfarm(:,2*N-1)=a;%加入子代種群
    newfarm(:,2*N)=b;    
    for i=1:(N-1)
        A=farm(:,Ser(i));
        B=farm(:,Ser(i+1));
        P0=unidrnd(M-1);
        a=[A(1:P0,:);B((P0+1):end,:)];
        b=[B(1:P0,:);A((P0+1):end,:)];
        newfarm(:,2*i-1)=a;
        newfarm(:,2*i)=b;
    end    
    FARM=[farm,newfarm];    
%% 選擇復制
    SER=randperm(3*N);
    FITNESS=zeros(1,3*N);
    fitness=zeros(1,N);
    for i=1:(3*N)
        Beta=FARM(:,i);
        FITNESS(i)=FIT(Beta,D,c,m);
    end    
    for i=1:N
        f1=FITNESS(SER(3*i-2));
        f2=FITNESS(SER(3*i-1));
        f3=FITNESS(SER(3*i));
        if f1<=f2&&f1<=f3
            farm(:,i)=FARM(:,SER(3*i-2));
            fitness(:,i)=FITNESS(:,SER(3*i-2));
        elseif f2<=f1&&f2<=f3
            farm(:,i)=FARM(:,SER(3*i-1));
            fitness(:,i)=FITNESS(:,SER(3*i-1));
        else
            farm(:,i)=FARM(:,SER(3*i));
            fitness(:,i)=FITNESS(:,SER(3*i));
        end
    end    
    %% 記錄最佳個體和收斂曲線
    X=farm;
    Y=fitness;
    ALLX{k}=X;
    ALLY(k,:)=Y;
    minY=min(Y);
    pos=find(Y==minY);
    BESTX{k}=X(:,pos(1));
    BESTY(k)=minY;    
    %% 變異
    for i=1:N
        if Pm>rand&&pos(1)~=i
            AA=farm(:,i);
            BB=GaussMutation(AA,LB,UB);
            farm(:,i)=BB;
        end
    end
    disp(k);
    k=k+1;
end
%% 繪圖
BESTY2=BESTY;
BESTX2=BESTX;
for k=1:K
    TempY=BESTY(1:k);
    minTempY=min(TempY);
    posY=find(TempY==minTempY);
    BESTY2(k)=minTempY;
    BESTX2{k}=BESTX{posY(1)};
end
BESTY=BESTY2;
BESTX=BESTX2;
plot(BESTY,'-ko','MarkerEdgeColor','k','MarkerFaceColor','k','MarkerSize',2)
ylabel('函數值')
xlabel('迭代次數')
grid on