基于改进磷虾群算法的多目标文本聚类方法

提出融合K均值与改进磷虾群算法的多目标文本聚类算法。利用K均值的局部快速寻优和改进磷虾群的全局搜索能力,以K均值聚类解作为改进磷虾群的初始种群,引入遗传交叉和变异改善个体多样性,提升全局搜索能力;通过磷虾种群的诱导运动、觅食运动和随机扩散进行位置更新,引入余弦相似度和欧氏距离的多目标适应度函数评估磷虾位置优劣,搜索全局最优解。通过基准数据集实验确定磷虾群算法的关键参数,进行系统聚类测试,实验结果表明,该算法在聚类指标上表现更佳,聚类准确性更高,收敛速度更快。     

一种新的粒子群优化聚类方法

针对K-均值聚类方法受初始聚类中心影响,容易陷入局部最优解的问题。提出了一种新的粒子群优化聚类方法,该聚类方法采用改进的交叉、变异算子,使群体粒子保持品种的多样性和优良性,减小随机初始聚类中心的影响,同时结合粒子群优化算法,增加粒子群的全局搜索能力。实验结果表明,提出的方法在稳定性和分类准确率上都有所提高。     

基于Levy飞行的萤火虫模糊聚类算法

针对模糊C均值（FCM）聚类算法易受初始聚类中心影响而陷入局部最优问题,提出了一种基于Levy飞行的萤火虫模糊聚类算法（LFAFCM）。该算法改变萤火虫算法的随机移动策略,以平衡算法局部搜索和全局搜索能力;萤火虫位置更新过程中引入Levy飞行机制,以提高全局寻优能力;根据迭代次数和萤火虫位置动态调整每个萤火虫的尺度系数,以限制Levy飞行可搜索范围,并加快算法收敛速度。利用5个UCI数据集对算法进行实验验证,实验结果表明,该算法有效避免了陷入局部最优并具有较快的收敛速度。     

基于改进量子粒子群的K-means聚类算法及其应用

针对传统K-means聚类算法受初始类中心影响导致聚类准确度较低的问题,利用量子粒子群优化算法全局搜索能力强、收敛速度快的优势,提出一种基于改进量子粒子群的K-means聚类算法.为防止量子粒子群优化算法陷入局部极值,采用具有高斯扰动的局部吸引子以提高种群跳出局部最优的能力;为提高算法的收敛速度,采用加权更新种群平均最...     

融合改进差分进化思想的K-调和均值聚类

针对K-调和均值聚类算法易陷入局部最优的缺点,提出了一种基于改进差分进化的K-调和均值聚类算法。该算法通过引入基于Logistic变尺度混沌搜索和指数递增交叉概率算子的差分进化算法来增强全局寻优能力。实验结果表明,该算法能够较好地克服K-调和均值算法的缺点,在保证收敛速度的同时增强了算法的全局搜索能力。     

一种基于遗传算法的K-means聚类算法

传统K-means算法对初始聚类中心的选取和样本的输入顺序非常敏感,容易陷入局部最优。针对上述问题,提出了一种基于遗传算法的K-means聚类算法GKA,将K-means算法的局部寻优能力与遗传算法的全局寻优能力相结合,通过多次选择、交叉、变异的遗传操作,最终得到最优的聚类数和初始质心集,克服了传统K-means算法的局部性和对初始聚类中心的敏感性。     

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

基于初始聚类中心选取的改进FCM聚类算法

针对模糊C-均值(Fuzzy C-Means,FCM)算法聚类效果往往受到初始聚类中心影响,收敛结果易陷入局部极小的问题,提出了一种改进的模糊C均值聚类算法.算法给出了一种简洁快速的初始聚类中心的选取规则,并根据聚类中心的分离特性改进了目标函数,从而使获得的聚类结果为全局最优.仿真结果证明新算法与传统FCM方法相比,迭代次数少,准确率高,同时也更加适用于样本数据分类不均衡的聚类问题.     

基于改进K均值聚类的机械故障智能检测

针对传统的K均值聚类算法在机械故障检测的过程中,由于对K值的选择具有较强的主观性,最后极易得到局部最优解,而非全局最优解,降低了机械故障检测的准确性.提出一种改进K均值聚类的机械故障智能检测方法;将K均值聚类算法与粒子群算法相结合,在迭代处理的过程中,结合K均值进行优化,即将粒子群算法中的子代个体利用K均值聚类进行运算获取局部最优解,并使用这些个体继续参与迭代处理,这样能够提高算法的收敛速度,避免陷入局部最优解,获得准确的机械故障信号特征;实验结果表明,利用K均值倾斜特征提取的机械故障智能检测算法进行机械故障检测,能够有效提高故障检测的准确性,取得了令人满意的效果.     

基于改进引力搜索的混合K-调和均值聚类算法研究

为了解决聚类算法容易陷入局部最优的问题,以及增强聚类算法的全局搜索能力,基于KHM算法以及改进的引力搜索算法,本文提出一种混合K-调和均值聚类算法（G-KHM）。G-KHM算法具有KHM算法收敛速度快的优点,但同时针对KHM算法容易陷入局部最优解的问题,在初始化后数据开始搜索聚类中心时采用了一种基于对象多样性及收敛性增强的引力搜索算法,该方法改进了引力搜索算法容易失去种群多样性的缺点,并同时具有引力搜索算法较强的全局搜索能力,可以使算法收敛到全局最优解。仿真结果表明,G-KHM算法能有效地避免陷入局部极值,具有较强的全局搜索能力以及稳定性,并且相比KHM算法、K-mean聚类算法、C均值聚类算法以及粒子群算法,在分类精度和运行时间上表现出了更好地效果。     

一种基于改进BA算法的K-means聚类

摘要：针对传统BA（蝙蝠）算法易被局部极值吸引、发生过早收敛等问题,将莱维飞行搜索策略引入传统BA算法对蝙蝠的位置和速度更新方式进行改进,从而提高算法的全局搜索能力;通过引入非线性惯性权重平衡算法的全局和局部搜索能力并提高算法搜索精度;结合Limit阈值的思想避免算法过快陷入局部极值。通过对6个标准测试函数的实验表明,改进后的BA算法不仅在全局搜索能力上有所提高,而且具有较好的搜索精度。最后将改进后的BA算法同K-means聚类算法进行结合,提出了一种基于改进BA算法的K-means聚类算法,实验结果表明,改进的算法提高了聚类准确率及算法鲁棒性。     

基于广义反向学习的磷虾群算法及其在数据聚类中的应用

针对磷虾群（KH）算法在寻优过程中因种群多样性降低而过早收敛的问题，提出基于广义反向学习的磷虾群算法GOBL-KH。首先，通过余弦递减策略确定步长因子平衡算法的探索与开发能力；然后，加入广义反向学习策略对每个磷虾进行广义反向搜索，增强磷虾探索其周围邻域空间的能力。将改进的算法在15个经典测试函数上进行测试并与KH算法、步长线性递减的磷虾群（KHLD）算法和余弦递减步长的磷虾群（KHCD）算法比较，实验结果表明:GOBL-KH算法可有效避免早熟且具有较高的求解精度。为体现算法有效性，将GOBL-KH算法与K均值算法结合提出HK-KH算法用于解决数据聚类问题，即在每次迭代后用最优个体或经过K均值迭代一次后的新个体替换最差个体，使用UCI五个真实数据集进行测试并与K均值、遗传算法（GA）、粒子群优化（PSO）算法、蚁群算法（ACO）、KH算法、磷虾群聚类算法（KHCA）、改进磷虾群（IKH）算法进行比较，结果表明:HK-KH算法适用于解决数据聚类问题且具有较强的全局收敛性和较高的稳定性。     

基于K-means的改进人工蜂群聚类算法

针对K-means聚类算法对初始聚类中心敏感和易陷入局部最优解的缺点,提出一种基于K-means的人工蜂群(ABC)聚类算法。将改进的人工蜂群算法和K-means迭代相结合,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过基于反向学习的初始化策略,增强了初始群体的多样性。利用非线性选择策略,改善了过早收敛问题,提高了搜索效率。通过对邻域搜索范围的动态调整,提高了算法收敛速度,增强了局部寻优能力。实验结果表明,该算法不仅克服了K-means算法稳定性差的缺点,而且具有良好的性能和聚类效果。     

基于GSA算法改进的K均值聚类

为改善K均值聚类存在的对初始聚心敏感、全局搜索能力弱和凭经验确定聚类数等不足,提出一种基于GSA算法的改进K均值聚类。采用粒子编码策略,把聚类中心集合视作种群粒子,引入GSA搜索聚类质量最好的初始聚类中心,设均方误差为适应度函数,引导全局搜索方向,设置种群成熟度因子避免算法陷入局部最优,引入聚类质量评价指标获取最佳聚类数。通过在4种UCI数据集上做仿真测试,验证了改进后K均值聚类具有较高的正确率和更好的稳定性。     

基于改进引力搜索算法的K-means聚类

针对K-means算法的聚类结果极易受到聚类中心的影响而陷入局部最优解的问题,提出一种基于改进引力搜索的K-means聚类算法。首先引入自适应概念,对引力系数衰减因子进行控制,提高算法的全局探索能力和局部开发能力;然后,引入免疫克隆选择机制,以便算法能够有效跳出局部最优,并通过对12个基准测试函数的实验验证改进引力搜索算法的有效性和优越性;最后,通过结合改进的引力搜索算法和K-means算法,提出一种新的聚类算法A2F-GSA-Kmeans,并在6个测试数据集上的实验表明,该算法具有较好的聚类质量。     

结合双粒子群和K-means的混合文本聚类算法

传统K-means算法对初始聚类中心选择较敏感, 结果有可能收敛于一般次优解, 为些提出一种结合双粒子群和K-means的混合文本聚类算法。设计了自调整惯性权值策略, 根据最优适应度值的变化率动态调整惯性权值。两子群分别采用基于不同惯性权值策略的粒子群算法进化, 子代间及子代与父代信息交流, 共享最优粒子, 替换最劣粒子, 完成进化, 该算法命名为双粒子群算法。将能平衡全局与局部搜索能力的双粒子群算法与高效的K-means算法结合, 每个粒子是一组聚类中心, 类内离散度之和的倒数是适应度函数, 用K-means算法优化新生粒子, 即为结合双粒子群和K-means的混合文本聚类算法。实验结果表明, 该算法相对于K-means、PSO等文本聚类算法具有更强鲁棒性, 聚类效果也有明显的改善。     

基于改进量子旋转门人工鱼群算法的K-means聚类算法及其应用

为改进传统K-means聚类算法中存在因随机选择初始质心而导致聚类结果不稳定且准确度低的缺点,提出基于改进量子旋转门人工鱼群算法的K-means聚类(IQAFSA)算法,通过动态更新量子旋转门的旋转角提高下一代更新方向准确度及更新速度。变异策略从传统的非门改为H门,既增加种群的多样性,又使全局搜索能力增强;最终使用所改进算法选取K-means的初始质心再进行聚类。通过UCI数据的测试以及在医学相关数据上的实验表明,提出的算法具有有效性,准确度较高且收敛速度较快。     

An improved krill herd algorithm with global exploration capability for solving numerical function optimization problems and its application to data clustering

Krill herd algorithm is a stochastic nature-inspired algorithm for solving optimization problems. The performance of krill herd algorithm is degraded by poor exploitation capability. In this study, we propose an improved krill herd algorithm (IKH) by making the krill the global search capability. The enhancement comprises of adding global search operator for exploration around the defined search region and thus the krill individuals move towards the global best solution. The elitism strategy is also applied to maintain the best krill during the krill update steps. The proposed method is tested on a set of twenty six well-known benchmark functions and is compared with thirteen popular optimization algorithms, including original KH algorithm. The experimental results show that the proposed method produced very accurate results than KH and other compared algorithms and is more robust. In addition, the proposed method has high convergence rate. The high performance of the proposed algorithm is then employed for data clustering problems and is tested using six real datasets available from UCI machine learning laboratory. The experimental results thus show that the proposed algorithm is well suited for solving even data clustering problems.