代码功能概述
该代码实现了一种基于入侵杂草优化算法（IWO）的聚类分析，并与K-Means、高斯混合模型（GMM）进行对比实验。核心功能包括：
- IWO聚类优化：使用IWO算法寻找最优聚类中心
- 多算法对比：与K-Means、GMM进行聚类效果比较
- 可视化分析：绘制聚类结果和收敛曲线
- 量化评估：计算算法间的标签差异（MAE/MSE）
算法步骤详解
1. IWO聚类流程
2. 对比实验流程
- K-Means：经典划分聚类
- GMM：基于概率模型的聚类
- 标签重映射：按第一维特征中心排序确保标签一致性
- 误差计算：MAE（平均绝对误差）、MSE（均方误差）
技术路线
| 模块 | 技术实现 |
|---|---|
| 优化算法 | 入侵杂草优化（IWO） |
| 对比算法 | K-Means + GMM |
| 聚类评估 | 簇内距离代价函数 |
| 可视化 | 多维特征组合散点图 + 收敛曲线 |
| 标签处理 | 基于特征中心的标签重映射 |
关键参数设定
| 参数类别 | 参数 | 值 | 说明 |
|---|---|---|---|
| IWO | MaxIt |
25 | 最大迭代次数 |
nPop0 |
2 | 初始种群大小 | |
Smin/Smax |
2/5 | 单株种子数范围 | |
sigma |
0.2→0.001 | 动态高斯变异强度 | |
| 通用 | k |
3 | 聚类簇数 |
VarSize |
[k×特征数] | 决策变量维度 |
运行环境要求
- 软件环境：
- MATLAB R2016b+
- Statistics and Machine Learning Toolbox
- Excel数据文件支持
- 依赖函数：
ClusterCost.m（自定义代价函数）remap_labels.m（标签重映射）
应用场景
- 无监督学习：
- 客户分群分析
- 市场细分
- 生物特征分类
- 算法研究：
- 群体智能算法优化
- 聚类算法性能对比
- 高维数据可视化
- 工业领域：
- 异常检测
- 图像分割
- 产品质量分类
创新点分析
动态变异策略：
sigma = ((MaxIt-it)/(MaxIt-1))^1.5 * (0.2-0.001) + 0.001
实现变异强度随迭代次数非线性衰减自适应繁殖机制：
ratio = (个体代价 - 最差代价)/(最优代价 - 最差代价); S = floor(2 + 3*ratio); // 种子数动态调整适应度高的个体产生更多种子
多视角可视化：
同时展示6组特征组合（2×3子图）的聚类结果跨算法标签对齐：
% 按第一维特征中心重映射标签 new_labels = remap_labels(labels, centers, 1)解决不同算法标签顺序不一致问题
该代码实现了智能优化算法与传统聚类方法的创新性对比框架，通过动态调整的杂草繁殖机制和精英保留策略，显著提升了聚类中心的优化效率，为复杂数据结构的无监督学习提供了新思路。
