基于人类学习优化算法的K-Means在智能温室大棚中的应用

摘要

针对传统的K-Means算法易受初始聚类中心点和异常点影响导致聚类结果不理想的缺陷,利用人类学习优化算法全局搜索能力强的优势,对K-Means算法的初始聚类中心进行优化,提出了一种基于人类学习优化算法的K-Means方法.通过UCI数据集中几组数据对算法进行了聚类实验,实验结果表明与传统的K-Means算法相比,提出的改进算法有效提高了聚类性能.关于温室环境因素的控制策略较为复杂,为了对智能温室中番茄生长环境调控进行决策支持,对温室番茄生长环境中不同的变量指标做聚类分析,挖掘出智能温室大棚中番茄生长的最佳环境范围,调节环境变量让温室一直处于番茄生长的最佳环境中.