基于混合差分进化的滑动窗口数据流聚类算法研究

针对传统的基于滑动窗口的数据流聚类算法存在的算法执行效率低、聚类质量较差等缺点,提出了一种基于混合差分进化的滑动窗口数据流聚类算法。该算法将数据流聚类过程分为两个部分：在线的时序窗口数据信息微簇特征向量生成和离线阶段的聚类优化。对在线生成的微簇进行微簇集合的更新与维护,利用改进的粒子群算法对离线的微簇数据信息进行适应度值的计算,将种群分为优势子种群和普通子种群,然后利用个体适应度值和平均适应度值的判别来生成当前个体环境的最优候选解,并迭代地对个体进行进化,输出具有最优适应度值的聚类集合,完成对数据流的聚类。仿真实验结果表明,算法在对数据流执行聚类时具有较高的执行效率,并且最后聚类的质量较好,算法实用性强。     

基于聚类算法的支持向量回归建模的新策略

针对支持向量机对时变的样本集采用单一模型建模困难的问题，提出了一种新的学习策略．首先，使用自组织映射(SOM)神经网络和k-means聚类算法对初始样本集合进行聚类．然后，针对每个聚类数据集合，通过最优加权组合不同核函数的支持向量回归模型建立最终的模型．实验表明，采用这种学习策略的建模精度要优于单一支持向量回归建模方法．     

基于权重向量聚类的动态多目标进化算法

实际生活中存在许多的动态多目标优化问题（DMOP）。对于此类问题，当环境发生改变时，就要求动态多目标进化算法（DMOEA）能快速和准确地跟踪新环境下的帕累托前沿（PF）或帕累托最优解集（PS）。针对现有算法的种群预测性能差的问题，提出一种基于权重向量聚类预测的动态多目标进化算法（WVCP）。该算法首先在目标空间中生成均匀的权重向量，并对种群中的个体进行聚类，再根据聚类情况分析种群的分布性。其次，对聚类个体的中心点建立时间序列。对同一权重向量，针对不同的聚类情况采取相应的应对策略对个体进行补充，若相邻时刻均存在聚类中心，则采用差分模型预测新环境下的个体；若某一时刻不存在聚类中心，则用相邻权重向量聚类中心的质心作为该时刻的聚类中心，再运用差分模型预测个体。这样不仅可以有效地解决种群分布性差的问题，还可以提高预测的准确性。最后，引入个体补充策略，以充分地利用历史信息。为验证WVCP算法的性能，把它与四种代表性算法进行了仿真对比。实验结果表明，所提算法能够很好地解决DMOP。     

基于EM算法的文本聚类优化研究

针对现有的文本聚类算法难以取得满意结果的问题，以EM算法为基础，提出能分别描述相似、不相似聚类对的相似性分布以及重要、不重要文档的重要性分布的文本聚类优化模型（text clustering optimization model, TCOM）．基于该模型，设计一种通过合并不同的文本聚类结果以获取最优性能的方法．实验结果表明，利用该方法同时改善了聚类精度和召回率，其性能优于单独使用现有的硬、软聚类算法．     

新的小生境萤火虫划分聚类算法

针对传统的划分聚类算法过度依赖初始聚类中心并容易陷入局部最优的问题,提出基于萤火虫算法的改进划分聚类算法。该算法将萤火虫个体对应于一组聚类中心的解,类簇的聚合度对应于萤火虫的亮度,通过萤火虫个体之间的相互吸引寻找聚类中心的最优解。在寻优过程中使用随机分布的萤火虫种群克服划分聚类过于依赖初始聚类中心的问题,采用自适应步长的策略加强算法寻找精确解的能力。为了避免在寻优过程中因为种群过于集中而导致算法陷入局部最优,引入小生境技术提高萤火虫的种群多样性。仿真实验结果表明,与传统聚类算法相比,该算法的聚类精度较高,稳定性较好。     

一种基于聚类的小生境微粒群算法

在小生境微粒群算法中引入一种简单的聚类算法，替换了原算法中依赖于圆形拓扑领域的小生境产生方法，构建出一种基于聚类的小生境微粒群算法．该算法在对主微粒群进行l best PSO寻优的同时对其中的微粒进行聚类，当聚类簇中的个体数目达到规定的子微粒群最小规模时形成一个小生境．用这种算法能够产生大小和形状不同的小生境，克服了NichePSO算法的不足．     

对k-means初始聚类中心的优化

针对传统k-means算法对初始聚类中心敏感的问题,提出了基于数据样本分布选取初始聚类中心的改进k-means算法。该算法利用贪心思想构建K个数据集合,集合的大小与数据的实际分布密切相关,集合中的数据彼此间相互靠近。取集合中数据的平均值作为初始聚类中心,由此得到的初始聚类中心非常接近迭代聚类算法期待的聚类中心。理论分析和实验结果表明,改进算法能改善其聚类性能,并能得到稳定的聚类结果,取得较高的分类准确率。     

一种新的神经网络集成方法及其在精准施肥中的应用

为解决作物精准施肥量确定这一难题,提出了一种新的基于神经网络集成的精准施肥量确定方法.在该方法中,采用回放取样生成神经网络个体集合,通过给出一种神经网络相似度度量标准,用聚类算法AP从神经网络个体集合中选出一组精度高、多样性强的网络个体;进而形成分别用拉格朗日乘子和预测有效度法线性集成所选个体的算法LME和FEME.在基准数据集上的实验结果表明:在精度方面,算法LME要明显优于算法FEME和算法BSN(单个最优神经网络算法),且LME具有较好的泛化能力.最后在确定精准施肥量方面,对算法LME进行了实际应用,结果表明LME明显优于传统施肥模型和现有神经网络精准施肥模型.     

一种改进的分解-合并聚类方法

为了对一个对象集合进行聚类,提出一种基于分解-合并方法的聚类算法,方法综合了自顶向下的分解过程和自底向上的合并过程。在分解过程中,使用分割算法建立一个树,树的叶子就是对象集合的元素;合并过程中能够快速发现树的最优部分。实验结果表明该算法在聚类效率和性能上优于传统算法。     

一种多空间聚类算法

CLARANS算法是经典的划分聚类算法，其核心思想是采用随机重启的局部搜索方式搜索中心点．由于搜索空阀布满了局部最优解的“陷阱”，因此它难以获得全局最优解，从而影响了聚类质量．针对这个缺点，本文将多空闻思想与CLARANS算法相结合，提出了基于多空间思想的CLARANS算法-CABMS（CLARANS Algorithm Based on Multi—Space）．该算法的基本思路是采用空间变换策略构造一系列光滑程度不同的搜索空间，在不同的搜索空间中执行CLARANS算法，并利用前层搜索空间的聚类结果来引导本层搜索空间的聚类．CABMS能够跳过局部最优解的“陷阱”，增大获得全局最优解的概率，达到提高聚类质量的目的．本文给出了等距法多空间构造策略，并通过实验对比了CLARANS算法与CABMS算法的聚类质量．实验结果表明，CABMS的聚类质量较CLARANS有较大改进．     

改进的正态分布的分布估计算法

针对连续空间函数优化问题,提出了改进的正态分布的分布估计算法。该算法将优选出的个体看作正态分布,然后以正态分布概率模型随机采样产生新的种群,并挑选部分个体与保留的最好解进行交叉操作。将其与均匀分布的分布估计算法、正态分布的分布估计算法进行了比较,结果证明该方法的效果更好。最后分析了选择较好个体的比例对算法的影响。     

具有组合变异策略的回溯搜索优化算法

针对回溯搜索优化算法收敛速度慢和易陷入局部最优的缺陷,提出了一种基于组合变异策略的改进回溯搜索优化算法。为了提高历史种群的多样性并扩大算法的搜索空间,在算法迭代过程中采用柯西种群生成策略,利用柯西分布尺度系数生成历史种群;引入基于混沌映射和伽玛分布的组合变异策略,在一定概率下对较差个体进行变异生成质量较好的个体;对新种群中越界个体采用越界处理策略,确保算法在预定的搜索空间内搜索。选取了11个标准测试函数,在低维和高维状态下进行数值仿真,并与3种表现良好的算法进行比较,结果表明该改进算法在收敛速度和收敛精度上有很大优势。     

利用种群扩张与稀疏化策略改进NSGA-II-DE算法

NSGA-II-DE算法是在NSGA-II算法的基础上利用DE算法的收敛速度快、鲁棒性高的特性得到的改进算法,该算法提高了原算法的收敛速度,同时也降低了原算法对参数的依赖性.然而,原算法的解群分布性却没有得到提高.鉴于此,提出一种基于种群扩张与稀疏化策略的改进型NSGA-II-DE算法.该算法利用种群扩张增加候选解的数量,再利用稀疏化策略从候选解中选出使得整体分布尽可能均匀的最优解.种群扩张通过在进化最后的若干代保留每代中的第一非支配面上的个体来实现.在迭代结束后,对种群进行非支配排序,去除第一非支配面以外的个体,以提高解群质量.进行稀疏化处理,即对扩张后的全部个体按目标向量的某一维度排序,再筛选出相邻间距最接近期望距离的个体,以达到改善解群分布性的目的.仿真实验表明,所提出的算法在改善原算法的解群分布性上表现优异,但算法的时间和空间复杂度较原算法有所增加.     

一种基于均匀分布策略的NSGAII算法

针对局部搜索类改进型非劣分类遗传算法（Nondominated sorting genetic algorithm Ⅱ,NSGAⅡ）计算过程中种群分布不均的问题,提出一种基于均匀分布的NSGAⅡ（NSGAⅡ based on uniform distribution,NSGAⅡ-UID）多目标优化算法.首先,该算法将种群映射到目标函数对应的超平面,并在该平面上进行聚类以增加解的多样性.其次,为了提高解的分布性,将映射平面进行均匀分区.当分段区间不满足分布性条件时,需要激活分布性加强模块.与此同时在计算过程中分段区间可能会出现种群数量不足或无解的状况,为了保证每个区间所选个体数目相同.最后,采用将最优个体进行极限优化变异的方法来获得缺失个体.实验结果显示该算法可以保证种群跳出局部最优且提高收敛速度,并且在解的分布性和收敛性方面均优于文中其他多目标优化算法.     

一种结合贪婪因子求解0-1背包问题的分布估计算法

针对0-1背包问题,在分布估计算法的基础上提出了一种结合传统贪婪方法的新算法。通过计算物品的重量价值比后获得物品的贪婪因子值,并将贪婪因子融入基本的分布估计算法之中,在保证收敛速度的基础上进一步平衡了个体间的竞争,相较对比算法而言取得了更好的优化结果。     

基于局部远亲差分增强的扰动粒子群优化算法

针对粒子群优化（PSO）算法在搜索过程中因个体间缺乏交互,使种群逐渐丧失多样性、导致算法陷入局部极值的问题,提出了一种基于局部远亲差分增强的扰动粒子群优化算法（LFDE-PPSO）。首先,为扩大种群搜索空间,在速度更新过程中引入扰动因子,使惯性权重、学习因子在小范围内波动;其次,引入重构概率,选择适应度值低的个体重建中间种群;最后,为增加种群多样性,使较差个体的优秀基因得以保留,引入粒子不相关性及远亲个体,利用不相关性选择与差分个体基因差异性较大的远亲进行差分增强。实验结果表明,所提算法能够使中间种群中适应度值高的个体得以保留,有效增加种群多样性,使种群具备较强的跳脱局部极值能力,加快粒子逼近全局最优,同时具有收敛快、精度高等优点。     

基于参考线的预测策略求解动态多目标优化问题

为了快速且准确地跟踪动态多目标优化问题变化的Pareto前沿与Pareto解集,在可以不依靠历史信息的前提下,提出一种基于参考线预测策略的求解动态多目标优化问题的算法(RLPS).该算法通过记录每个参考线关联的种群个体在环境变化初始时和个体自主进化一小段时间后个体位置的变化,预测最优个体所在方向,同时在该方向上均匀分布若干延伸个体,选出每个参考线关联的非支配个体作为当前环境下的引导个体,在选出的引导个体邻域内随机产生若干伴随个体增加种群多样性.通过5个标准动态测试函数对该算法测试,并与两个现有算法作对比分析,实验结果表明所提出的算法具有更快地响应环境变化的能力.     

基于径向空间划分的昂贵多目标进化算法

为了解决难以建立精确数学模型或者真实评估实验成本高昂的多目标优化问题, 提出了一种基于径向空间划分的昂贵多目标进化算法. 首先算法使用高斯回归作为代理模型逼近目标函数; 然后将目标空间的个体投影到径向空间, 结合目标空间和径向空间信息保留对种群贡献更高的个体; 之后由径向空间中个体的位置分布决定下一步应该选择哪些个体进行真实评估; 最后, 采用一种双档案管理策略维护代理模型的质量. 数值实验和现实问题上的结果表明, 与5种先进算法相比, 该算法在解决昂贵多目标优化问题时能够提供更高质量的解.     

差分准对立学习多目标蚁狮算法

为解决多目标优化问题，对经典的蚁狮算法进行改进，提出了基于差分进化的准对立学习多目标蚁狮算法（DEQOMALO）。该算法针对蚁狮算法易陷入局部最优的不足，一方面，该算法引用差分进化的思想，充分利用种群和精英蚁狮的信息对原算法中蚂蚁个体的位置更新方式进行改进；另一方面采用反向学习策略对蚂蚁种群进行优化，将原种群个体和其准对立个体进行混合并择优作为新的种群，大大增加种群的多样性。选取典型的标准测试函数，将提出的算法与原始蚁狮算法以及其他传统进化策略优化的蚁狮算法进行比较。实验结果表明，改进算法在收敛性和分布性上均有很大程度的提升，在解决双目标优化问题上具有较好的鲁棒性和有效性。     

能耗和噪声约束下的柔性车间调度决策优化

针对柔性作业车间生产过程中能源消耗和噪声污染严重的问题,在考虑最大完工时间的基础上,将能耗和噪声作为独立的决策变量,构建关于完工时间、能耗和噪声的多目标FJSP优化模型,并改进鲸鱼算法实现调度优化.首先,利用转换序列二段式编码方式将连续个体映射为离散个体并通过反向学习法初始化种群,提高算法的搜索性能;其次,在种群迭代过程中采用收敛因子非线性调整策略,并基于小生境技术对存储非劣解的外部文档进行更新,结合二次插值变异算子,避免算法陷入早熟收敛;最后,通过评价系数的权重选出Pareto解集中的满意解.针对具体实例进行测试,证明所提算法的可行性和有效性.