2023年第07期（2023年07月）No.072023177黑河学院学报JOURNALOFHEIHEUNIVERSITYdoi：10.3969/j.issn.1674-9499.2023.07.053近年来，模糊聚类算法在图像分割领域被广泛地使用，并且取得了很好的效果。核模糊C均值聚类算法(KFCM)对于模糊C均值聚类算法(FCM)无法对非线性数据样本进行划分的情况，提出了解决方案[1]。然而KFCM仍然不可避免地有其自身的缺陷，比如，算法的模糊度、核参数、聚类数目等等都需要事先设置好。模糊聚类中认为待分数据集中的样本都以一定的隶属度归属于每个类别，隶属度越大，则归属程度越高[2]。在现实的应用场景中，往往是根据人工积累的认知经验对核参数和模糊度进行设置，但对于不同的数据样本，这些参数的选择直接关系到算法的寻优效果，以及对图像的分割效果。将传统的模糊聚类方法和智能优化算法相结合，充分利用智能优化算法强大的寻优能力，能够很好地改善模糊聚类算法极易陷入局部最小点和对初始值过于敏感、受初始值影响严重的缺陷。鲸鱼优化算法具有强大的随机搜索能力和局部寻优能力等，本文选择鲸鱼优化算法，并对其做了一定的改进和优化，最后将改进后的鲸鱼优化算法应用到KFCM的优化中。1鲸鱼算法的改进1.1标准鲸鱼优化算法的不足鲸鱼优化算法(WOA)是Mirjalili和Lewi，参照鲸鱼群体习性提出的一种新的群体智能优化搜索算法[3]。其属于群体智能优化算法的范畴，是一种元启发式智能优化算法[4]。该算法经过实验测试，其局部寻优能力和全局搜索能力表现都非常优异。然而，传统的鲸鱼优化算法仍然有一些可以改进的地方，比如，捕食机制概率的设置等。鲸鱼通过包围机制捕食和螺旋搜索机制捕食的概率设置为50%[5]。捕食方式的选择对于鲸鱼优化算法来讲有很大的影响，在鲸鱼优化算法不断进行迭代寻优的过程中，如果选择包围捕食机制的几率大，则算法的收敛速度会加快，但有可能得不到较高精度的全局最优解。反过来说，如果螺旋搜索捕食机制的几率大，算法的时间复杂度会明显提高。对于鲸鱼优化算法中上述的一些缺点，本文对其进行了优化和改进，改进后的鲸鱼优化算法的性能得到了显著提升。1.2改进的鲸鱼优化算法ShiY等研究学者在深入理解粒子群算法的基础上，引入了一个惯性权值参数w对粒子群算法进行优化[6]，以使得算法能够更加快速地收敛到全局的最优解位置。通过分析可以知道，较大的惯性权值参数w能够增强算法的全局优化能力，而惯性权值参数w取值较小时，能够增强算法的局部寻优能力。设置一个合适的惯性权值...
