The mental health of young college students has always been a social concern. Strengthening the supervision of college students’ mental health problems is an important research content. In this regard, this paper proposes to apply fuzzy cluster analysis to the health analysis of college students and explore college students through fuzzy clustering. Explore the potential relationship between the factors that affect the health of college students, and this will provide a reference for the early prevention and intervention of college students’ mental health problems. In view of this, an improved fuzzy clustering method based on the firefly algorithm is proposed. First, the Chebyshev diagram is introduced into the firefly algorithm to initialize the population distribution. Then, an adaptive step size method is proposed to balance exploration and development capabilities. Finally, in the local search process, a Gaussian perturbation strategy is added to the optimal individual in each iteration to make it jump out of the local optimal. The process has good optimization capabilities and is easy to obtain the global optimal value. It can be used as the initial center of the fuzzy C-means clustering algorithm for clustering, which can effectively enhance the robustness of the algorithm and improve the global optimization ability. In order to evaluate the effectiveness of the algorithm, comparative experiments were carried out on four datasets, and the experimental results show that the algorithm is better than the comparison algorithm in clustering accuracy and robustness.

中文翻译：

---

基于模糊聚类算法的大学生心理健康研究

青年大学生的心理健康一直是社会关注的问题。加强对大学生心理健康问题的监管是一项重要的研究内容。对此，本文提出将模糊聚类分析应用到大学生健康分析中，通过模糊聚类对大学生进行探索。探讨影响大学生健康的因素之间的潜在关系，为大学生心理健康问题的早期预防和干预提供参考。鉴于此，提出了一种基于萤火虫算法的改进模糊聚类方法。首先，在萤火虫算法中引入切比雪夫图来初始化种群分布。然后，提出了一种自适应步长方法来平衡勘探和开发能力。最后，在局部搜索过程中，在每次迭代中对最优个体加入高斯扰动策略，使其跳出局部最优。该过程具有良好的优化能力，易于获得全局最优值。可作为模糊C均值聚类算法的初始中心进行聚类，有效增强算法的鲁棒性，提高全局优化能力。为了评估算法的有效性，在四个数据集上进行了对比实验，实验结果表明，该算法在聚类精度和鲁棒性上均优于对比算法。在局部搜索过程中，在每次迭代中对最优个体加入高斯扰动策略，使其跳出局部最优。该过程具有良好的优化能力，易于获得全局最优值。可作为模糊C均值聚类算法的初始中心进行聚类，有效增强算法的鲁棒性，提高全局优化能力。为了评估算法的有效性，在四个数据集上进行了对比实验，实验结果表明，该算法在聚类精度和鲁棒性上均优于对比算法。在局部搜索过程中，在每次迭代中对最优个体加入高斯扰动策略，使其跳出局部最优。该过程具有良好的优化能力，易于获得全局最优值。可作为模糊C均值聚类算法的初始中心进行聚类，有效增强算法的鲁棒性，提高全局优化能力。为了评估算法的有效性，在四个数据集上进行了对比实验，实验结果表明，该算法在聚类精度和鲁棒性上均优于对比算法。该过程具有良好的优化能力，易于获得全局最优值。可作为模糊C均值聚类算法的初始中心进行聚类，有效增强算法的鲁棒性，提高全局优化能力。为了评估算法的有效性，在四个数据集上进行了对比实验，实验结果表明，该算法在聚类精度和鲁棒性上均优于对比算法。该过程具有良好的优化能力，易于获得全局最优值。可作为模糊C均值聚类算法的初始中心进行聚类，有效增强算法的鲁棒性，提高全局优化能力。为了评估算法的有效性，在四个数据集上进行了对比实验，实验结果表明，该算法在聚类精度和鲁棒性上均优于对比算法。