针对模糊C均值（FCM）算法聚类数需要预先设定的问题，提出了一种新的模糊聚类有效性指标。首先，计算簇中每个属性的方差，给方差较小的属性赋予较大的权值，给方差较大的属性赋予较小的权值，得到一种基于属性加权的FCM算法；然后，根据FCM改进算法得到的隶属度矩阵计算类内紧致性和类间分离性；最后，利用类内紧致性和类间分离性定义一个新的聚类有效性指标。实验结果表明，该指标可以找到符合数据自然分布的类的数目。基于属性加权的FCM算法可以识别不同属性的重要程度，增加聚类结果的准确率，使用FCM改进算法得到的隶

模糊c均值聚类算法是最常见的聚类算法。 它通过定义成员资格矩阵来解决数据的不切实际的本质。 由于模糊c均值聚类算法需要预先设置分类数，这在没有先验数据集的情况下几乎是不可能的，因此一些学者提出了有效性指标的概念。 由于有效性指标与隶属度矩阵，数据集中的数据点和聚类中心之间的距离关系有关，因此希望特征加权方法可以用于评估数据集中数据的所有特征。以获得最佳的分类编号。 因此，本文提出了一种针对综合权重指数，密实度指数和可分离性指数的改进的有效性指数。 该有效性指标首先确定数据点的特征与数据点本身之间

针对粗糙模糊聚类算法对初值敏感、易陷入局部最优和聚类性能依赖阈值选择等问题, 提出一种混合蛙跳与阴影集优化的粗糙模糊聚类算法(SFLA-SRFCM). 通过设置自适应调节因子, 以增加混合蛙跳算法的局部搜索能力; 利用类簇上、下近似集的模糊类内紧密度和模糊类间分离度构造新的适应度函数; 采用阴影集自适应获取类簇阈值. 实验结果表明, SFLA-SRFCM 算法是有效的, 并且具有更好的聚类精度和有效性指标.

针对具有多部门多指标特征的复杂大群体应急决策问题, 提出一种新的决策方法. 首先, 给出直觉模糊数相似度公式, 将其作为相聚度公式对专家偏好进行聚类; 然后, 以同一部门指标数据的方案区分度最大化为目标, 构建优化模型以确定部门指标权重; 接着, 基于部门信息区分度结合极大熵原理对部门权重进行求解, 进而对备选方案进行排序; 最后, 通过一个算例验证了所提出方法的可行性和有效性.