傳統(tǒng)K均值聚類（KMC）算法過分依賴初始值的設(shè)置，容易陷入局部最優(yōu)；混合蛙跳算法（SFLA）存在收斂速度和搜索速度較慢、局部和全局信息交流不全面等缺點(diǎn)。針對以上缺點(diǎn)，首先提出一種改進(jìn)的混合蛙跳算法（MSFLA）。該算法根據(jù)粒子群優(yōu)化和差分進(jìn)化思想，在青蛙個體變異時，引入上一次移動距離的權(quán)重慣性系數(shù)和縮放因子，從種群中的最優(yōu)位置和歷史最優(yōu)位置之間的隨機(jī)點(diǎn)出發(fā)，以子群內(nèi)的青蛙的平均值和最差位置差值為步長進(jìn)行青蛙個體的更新操作。再將MSFLA與KMC算法結(jié)合提出MSFLAKMC算法，有效地克服了KMC算法過分依賴初始值設(shè)置問題，同時降低了KMC算法陷入局部最優(yōu)的可能性。實驗結(jié)果表明，MSFLA具有較強(qiáng)的尋優(yōu)能力，MSFLAKMC算法則具有更好的聚類性能。
?