求GAFCM的目标函数及基于聚类中心种群的Python实现代码

一、GAFCM目标函数说明 #

遗传模糊C均值算法（GAFCM）结合遗传算法全局搜索能力与模糊C均值（FCM）聚类特性，以聚类中心作为种群个体，核心目标函数基于FCM构建，本质是最小化样本到对应聚类中心的加权平方距离之和，权重由样本隶属度决定。

目标函数公式：
$$J(U, V) = \sum_{i=1}^{N} \sum_{k=1}^{C} u_{ik}^m |x_i - v_k|^2$$
其中：

• $u_{ik}$：样本$x_i$属于聚类$k$的隶属度
• $m$：模糊指数（通常取2）
• $v_k$：第$k$个聚类中心
• $N$：样本总数
• $C$：聚类类别数

二、Python实现代码 #

以下是以聚类中心为种群个体的GAFCM目标函数实现，包含距离计算和适应度（目标函数）计算两个核心函数：

import numpy as np

def distfcm_(data, V):
    """
    计算每个聚类中心到所有样本的欧氏距离
    参数:
        data: 样本数据集，形状为(N, D)，N为样本数，D为特征维度
        V: 聚类中心集合，形状为(C, D)，C为聚类数，D为特征维度
    返回:
        dist: 距离矩阵，形状为(C, N)，dist[k][i]代表第k个聚类中心到第i个样本的距离
    """
    dist = np.zeros((V.shape[0], data.shape[0]))
    for k in range(V.shape[0]):
        # 利用numpy自动广播简化计算，适配任意维度样本与聚类中心
        dist[k, :] = np.sqrt(np.sum((data - V[k, :])**2, axis=1))
    return dist

def fitness_function(X, C, c, m, alfa):
    """
    GAFCM的适应度函数（即目标函数），计算加权平方距离之和并返回
    参数:
        X: 样本数据集，形状为(N, D)
        C: 当前种群中的聚类中心个体，形状为(C, D)
        c: 聚类类别数（可根据需求替换内置的cluster_n值）
        m: 模糊指数
        alfa: 预留扩展参数（当前实现未使用，可用于添加正则项等）
    返回:
        obj_fcn: 目标函数值，即加权平方距离总和
    """
    dist = distfcm_(X, C)
    cluster_n = 3
    expo = m
    # 计算隶属度矩阵U
    tmp = dist ** (2 / -(expo - 1))
    U = tmp / np.sum(tmp, axis=0)  # 按列归一化得到隶属度
    mf = U ** expo  # 隶属度的m次幂
    # 计算最终目标函数值
    obj_fcn = np.sum((dist ** 2) * mf)
    return obj_fcn

代码优化说明 #

• 优化了原代码的广播逻辑，移除手动创建的固定维度ones((150,4))，利用numpy自动广播特性适配任意维度的样本与聚类中心。
• 为函数添加清晰注释，明确参数、返回值含义，提升代码可读性。

内容的提问来源于stack exchange，提问作者Soap