水循环算法是一种抽象于自然界水循环过程的智能优化算法,算法一方面基于河流的引导式前进,能有效避免个体进入非优区域,另一方面存在蒸发的变异过程,有利于算法在寻优时跳出局部最优解,更易寻找全局最优。然而算法的收敛速度和精度仍有一定缺陷,本文以此对水循环算法进行改进研究。针对基本水循环算法的缺陷,本文提出了三点改进思想:首先是基于初始种群的改进,在水循环算法初始化解时,使用反向学习替代传统的随机初始化,用以提高初始种群的均匀性及多样性,提高初始解的质量;其次是基于迭代步长的改进,在迭代过程中,使用指数下降的迭代步长替代原有的固定步长,使算法在迭代前期快速缩小寻优邻域,到了寻优后期,在较小邻域内进行微调,更易获取较优解;最后是基于蒸发过程的改进,使用高斯变异和混沌变异的组合形成自适应降雨过程,实现全局和局部相结合的搜索模式,克服了原有算法多样性较低,收敛速度慢等缺陷。使用基准函数对比测试了改进后的水循环算法与其他算法的性能,通过实验验证了改进后的水循环算法稳定性更好、收敛速度更快、寻优精度更高,总体上该算法寻优效果能力有所提高,且较为明显。针对K-means聚类算法对初值敏感且求解聚类中心的收敛速度慢等问题,利用改进后的水循环算法与其他智能算法对K-means算法的聚类效果进行对比试验,进一步验证了改进后的水循环算法对K-means聚类效果有着较为明显的提升。