基于小生境技术和聚类分析的人工免疫算法

针对标准人工免疫算法存在的早熟收敛和后期收敛速度慢的问题，本文提出了一种基于小生境技术和聚类分析的改进的人工免疫算法。首先运用嵌入进化标记的小生境技术对初始种群进化，“排挤机制”有效地保持种群的多样性，防止了早熟，而标记种群的进化方向则加快了算法的收敛速度。其次聚类方法的应用使得在各极值点附近形成了聚类区域，在不同的聚类区域运用人工免疫的趋同算子和异化算子分别进行粗搜索和细搜索，以保证全局寻优的速度和精度。仿真结果表明，该改进算法较之标准免疫算法，有更快的收敛速度、更强的全局搜索能力和更好的寻优精度。     

基于Tabu搜索的聚类算法研究

聚类分析的两个基本任务是分析数据集中簇的数量以及这些簇的位置。大多数的聚类方法通常只关注后一个问题。为了在聚类数不确定的情况下实现聚类分析,本文提出了一种新的结合人工免疫网络和Tabu搜索的动态聚类算法—DCBIT。新算法主要包含两个阶段：先使用人工免疫网络算法获得一个候选聚类中心集,然后使用Tabu搜索在候选聚类中心集上实现动态聚类。仿真实验结果表明与现有方法相比,新方法具有更好的收敛概率和收敛速度。     

关于切换回归的集成模糊聚类算法 GFC

已经有多个方法可用于解决切换回归问题.根据所提出的基于Newton引力定理的引力聚类算法GC,结合模糊聚类算法,进一步提出了新的集成模糊聚类算法 GFC.理论分析表明GFC 能收敛到局部最小.实验结果表明GFC在解决切换回归问题时,比标准模糊聚类算法更有效,特别在收敛速度方面.     

基于混合粒子群优化算法的聚类分析

针对模糊C-均值聚类算法易陷入局部最优和算法收敛速度慢等问题,提出了一种新的基于混合粒子群优化的模糊C-均值聚类算法.新算法在基本粒子群优化的模糊C-均值聚类算法的基础上结合了遗传算法的交叉、变异算子及混沌优化算法,并引入逃逸算子.仿真结果表明,该算法有效地避免了通常聚类方法易出现的早熟现象,同时也具有较快的收敛速度和较高的准确度.     

基于人工免疫网络和模糊C-均值聚类的入侵检测方法

针对入侵检测方法中模糊C-均值(FCM)聚类算法对初始值敏感和要求输入聚类数目的缺点,把人工免疫网络算法用于FCM聚类算法,提出了一种基于人工免疫网络和模糊C-均值的入侵检测方法.通过KDD_CUP1999数据集仿真试验,与FCM算法相比,该算法提高了检测率,降低了误警率.实验结果表明,该方法能够有效地检测网络中的入侵行为.     

一种基于人工免疫原理的混合聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制,提出了一种基于人工免疫原理的混合聚类算法.该算法引入了记忆抗体的分化和抑制机制,可有效地摆脱局部最优点;同时还集成了K-均值搜索算子,用于加快收敛速度.与K-均值方法比较,其具有更快的收敛速度和更高的收敛精度.仿真结果表明,所提算法是有效的.     

基于自适应动态目标函数的模糊聚类神经网络

结合输入空间的聚类特性和输出空间实时逼近特性,在模糊聚类的目标函数中引入恰当的反馈因素,基于自适应动态目标函数,该文提出一种新的模糊聚类神经网络实现算法.该算法在收敛稳定性、收敛速度、初值敏感性方面,相对于传统模糊聚类算法有了明显改善,相关实验表明,该算法具备高效、稳定的工程应用价值.     

基于密度峰值优化的模糊C均值聚类算法

针对传统模糊C均值聚类算法和基于K-means++优化聚类中心的模糊C均值算法存在初始聚类中心敏感、聚类速度收敛慢、聚类算法需要人为给定聚类数目等缺陷,受密度峰值聚类算法（Clustering by Fast Search and Find of Density Peaks,CFSFDP）的启发,提出了基于密度峰值算法优化的模糊C均值聚类算法,自适应产生初始聚类中心,确定聚类数目,并优化算法收敛过程。实验结果表明,改进后的算法与传统模糊聚类C均值算法相比能够准确地得到簇的数目,性能有明显的提高,并加快算法的收敛速度,达到相对更好的聚类效果。     

软硬结合的快速模糊C-均值聚类算法的研究

讨论的是对模糊C-均值聚类方法的改进,在原有的模糊C-均值算法的基础上,提出一种软硬结合的快速模糊C-均值聚类算法。快速模糊C-均值聚类算法是在模糊C-均值聚类算法之前加入一层硬C-均值聚类算法。硬聚类算法能比模糊聚类算法以高得多的速度完成,将硬聚类中心作为模糊聚类中心的迭代初值,从而提高模糊C-均值聚类算法的收敛速度,这对于大量数据的聚类是很有意义的。用数据仿真验证了这种快速模糊C-均值聚类算法比模糊C-均值算法迭代调整过程短,收敛速度快,聚类效果好。     

一种基于萤火虫算法的模糊聚类方法

针对模糊C-均值聚类对初始值敏感、容易陷入局部最优的缺陷,提出了一种基于萤火虫算法的模糊聚类方法。该方法结合萤火虫算法良好的全局寻优能力和模糊C-均值算法的较强的局部搜索特性,用萤火虫算法优化搜索FCM的聚类中心,利用FCM进行聚类,有效地克服了模糊C-均值聚类的不足,同时增强了萤火虫算法的局部搜索能力。实验结果表明,该算法具有很好的全局寻优能力和较快的收敛速度,能有效地收敛于全局最优解,具有较好的聚类效果。     

基于扰动免疫粒子群和K均值的混合聚类算法

针对传统K均值聚类算法对初始化敏感和容易陷入局部最优的缺点,提出了一种基于扰动免疫粒子群和K均值的混合聚类算法。该算法采用K均值将粒子群进行分类,选择平均适应度值最高的聚类域用于产生疫苗,在粒子更新过程中采用疫苗接种机制和免疫选择机制提高粒子的多样性。当个体极值和全局极值连续停滞代数超过所设置的阀值时,算法使用扰动算子改变粒子群的运动方向,提高算法跳出局部极值的能力。当扰动次数达到设置的最大值时,对各个粒子进行K均值操作,提高收敛精度。实验结果表明,该算法具有较高的正确率和较好的稳定性。     

基于克隆选择的快速动态聚类算法

为了在聚类数不确定的情况下实现聚类分析，通过借鉴生物免疫系统中的克隆选择原理并结合聚类有效性分析，提出了一种基于克隆选择的快速动态聚类算法。该算法可以根据样本数据自动确定聚类数目及中心位置，克服了传统聚类算法容易陷入局部极小值、对初始值敏感的缺点。通过引入新算子及适当选取聚类的初始中心，使算法的收敛速度明显提高，仿真实验结果表明了本算法的有效性。     

基于一种改进的遗传算法的空间聚类分析

空间数据挖掘是数据挖掘的一个研究分支。空间聚类分析是空间数据挖掘的一个重要的研究领域。传统的K-均值方法用于聚类具有收敛速度快、算法实现简单等特点,但容易陷入局部最优,并对初始解敏感。遗传算法是一种全局搜索算法,但是收敛速度较慢。提出一种改进的遗传算法进行聚类,该算法通过全局搜索与局部搜索相结合,取得较好效果。实验表明:文中提出的算法在聚类分析中搜索到全局最优解(或近似全局最优解)的能力要优于经典的K-均值聚类算法,且局部收敛速度和全局收敛性能较好。     

改进的模糊C均值聚类算法

把自适应的策略与传统的模糊C均值聚类算法结合起来,形成新的模糊聚类算法。在不影响收敛速度的情况下,它能够很好解决局部最优以及对初始值敏感的问题。以UCI机器学习数据库中的两组数据集为研究对象,实验结果表明,它的精确度与自适应免疫聚类算法相当,能够得到准确的簇的数目,并且它的收敛速度更快,这对于如今网络数据的高速变化来说,该方法显得更为重要。     

基于免疫规划的K-means聚类算法

在分析K—means聚类算法的优越性和存在不足的基础上，提出了一种新的聚类算法——基于免疫规划的K—means聚类算法．理论分析和仿真结果表明，该算法不仅有效地克服了传统的K—means聚类算法易陷入局部极小值的缺点，而且明显地避免了对初始化选值敏感性的问题，同时也有较快的收敛速度．     

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。     

基于免疫遗传算法的模糊C-均值聚类

为了克服FCM算法对初值的敏感性,提出了一种基于免疫遗传算法的FCM算法。该算法利用免疫系统原理和遗传算子自适应调整的方法（即免疫遗传算法）来改进FCM算法。实验证明该算法能有效解决未成熟收敛的问题,保证了种群的多样性,使聚类问题最终快速、有效地收敛到全局最优解。