基于差分演化的K-均值聚类算法

传统的K-均值算法,因对初始聚类中心的选择敏感,存在容易陷入局部最优解的缺点,差分演化算法是一类基于种群的启发式全局搜索技术,对于实值参数的优化具有很强的鲁棒性。为了克服K－均值聚类算法的上述缺点,提出基于差分演化的K-均值聚类算法,该方法结合K－均值算法的高效性和差分演化算法的全局优化能力,较好地解决了聚类中心优化问题。通过实验结果表明,此算法能够有效改善聚类质量。     

聚类问题的自适应杂交差分演化模拟退火算法

针对K-均值聚类算法对初始值敏感和易陷入局部最优的缺点,提出了一个基于自适应杂交差分演化模拟退火的K-均值聚类算法。该算法以差分演化算法为基础,通过模拟退火算法的更新策略来增强全局搜索能力,并运用自适应技术来选择学习策略、确定算法的关键参数。实验结果表明,该算法能较好地克服传统K-均值聚类算法的缺点,具有较好的全局收敛能力,且算法稳定性强、收敛速度快,将新算法与传统的K-均值聚类算法以及最近提出的几个同类聚类算法进行了比较。     

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。     

基于改进差分进化的K-均值聚类算法

针对K-均值算法对初始值敏感和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-均值聚类算法。该算法通过引入基于Laplace分布的变异算子和Logistic变尺度混沌搜索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传统K-均值算法的缺点,具有较好的搜索能力,且算法的收敛速度较快,鲁棒性较强。     

基于改进差分进化的K-均值聚类算法

针对K-均值算法对初始值敏感和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-均值聚类算法。该算法通过引入基于Laplace分布的变异算子和Logistic变尺度混沌搜索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传统K-均值算法的缺点,具有较好的搜索能力,且算法的收敛速度较快,鲁棒性较强。     

一种基于密度聚类的小生境差分进化算法

针对基本差分进化算法早熟收敛的缺陷,提出了一种基于密度聚类的小生境差分进化算法。该算法基于DE/rand/2/bin变异方式全局搜索能力强、鲁棒性好和DE/best/2/bin变异方式局部搜索能力强、收敛速度快的特点,首先初始化一个没有子种群的全局种群,再在全局种群中采用DE/rand/2/bin进行迭代搜索,并对其中的个体进行聚类,当聚类簇中的个体数目达到规定的最小规模时形成一个小生境子种群,然后在各子种群中采用改进的DE/best/2/bin进行迭代搜索并重新进行聚类,从而提高进化过程中种群的多样性,增强算法跳出局部最优的能力。仿真实验表明,该方法能显著提高算法的收敛速度和全局搜索能力,有效避免早熟收敛。     

一种改进人工蜂群的K-medoids聚类算法

针对传统K-medoids聚类算法初始聚类中心选择较敏感、聚类效率和精度较低、全局搜索能力较差以及传统蜂群算法初始蜂群和搜索步长随机选取等缺点,提出了一种基于粒子和最大最小距离法初始化蜂群和随着迭代次数增加动态调整搜索步长的人工蜂群算法,将改进的人工蜂群进一步优化K-medoids,以提高聚类算法的性能。实验结果表明：该算法降低了对噪声的敏感程度,具有较高的效率和准确率,较强的稳定性。     

基于差分演化的K-means算法在肝脏疾病中的应用

传统的K-均值算法依赖于初始聚类中心的选取,使聚类结果只能收敛于局部最优解;差分演化算法是一类利用随机偏差扰动产生新个体的方式获得非常好的收敛性的结果。为了克服K-均值聚类算法的上述缺点,该文提出基于差分演化的K-均值聚类算法,新算法结合K-均值算法的高效性和差分演化算法的全局优化能力,较好地解决了聚类中心优化问题。实验证明,此算法能够有效改善聚类质量。以肝功能疾病为例对新方法在医学中的应用进行了探讨。     

一种自适应差分演化算法

差分演化算法是一类基于种群的启发式全局搜索技术,对于实值参数的优化具有很强的鲁棒性。为了提高差分演化算法的寻优速度、克服启发式算法常见的早熟收敛问题,提出了一种自适应的方法来调整控制参数。实验表明,算法的收敛速度和寻优能力得到很大的提高。     

双群体伪并行差分进化算法研究及应用

为了提高差分进化算法的全局搜索能力和收敛速率,本文提出了一种双群体伪并行差分进化算法.该算法结合差分进化算法DE/best/2/bin变异方式局部搜索能力强、收敛速度快,和DE/rand/1/bin变异方式全局搜索能力强、鲁棒性好的特点,采用串行算法结构实现并行差分进化算法独立进化、信息交换的思想.为使初始化个体均匀分布在搜索空间,提高算法收敛到全局最优解的鲁棒性,提出了一种基于平均熵的初始化策略.典型Benchmarks函数测试和非线性系统模型参数估计结果表明,该方法能显著提高算法的收敛速率和全局搜索能力.     

一种基于ACO的K-medoids聚类算法

K-medoids算法作为聚类算法的一种,不易受极端数据的影响,适应性广泛,但是K-medoids聚类算法的精确度不稳定,平均准确率较低,用于实际的聚类分析时效果较差.ACO是一种仿生优化算法,其具有很强的健壮性,容易与其他方法相结合,求解效率高等特点.在K-medoids聚类算法的基础上,借鉴ACO算法的优点,提出了一种新的聚类算法,它提高了聚类的准确率,算法的稳定性也比较高.通过仿真实验,验证了算法的可行性和先进性.     

微分进化自适应模糊C均值分割算法

模糊C均值（FCM）聚类算法分割图像时,对图像的背景噪声和聚类算法的初始值比较敏感,为了克服这个问题,进而提出了微分进化模糊[C]均值分割算法。为了避免陷入局部极值,首先使用FCM聚类初始化,接着用改进的FCM进行模糊聚类;然后进行初始化种群操作,设置微分进化DE算法的参数,计算种群中每个个体的适应值,最后对满足条件的适应值进行变异、交叉、选择操作。利用DE算法的全局搜索优化能力,有效抑制了局部极值的产生和图像的背景噪声、纹理细节对图像分割效果的影响。还克服了对初值选择敏感的问题,保证图像分割边界的完整性,是一个比较高效的方法,有效地提升了分割效果。DE算法本身具有简单,快速,鲁棒性好等优点,利用这些优点可以有效地克服FCM算法的缺点。     

基于云计算的ACO-K中心点资源优化算法

云计算是计算网络模型研究的热点领域,能实现几种资源共享和资源动态配置。然而,云计算中存储资源如何快速路由,减少动态负荷,兼顾全局负载平衡是有待解决的问题。ACO是一种仿生优化算法,具有健壮性强、智能搜索、全局优化、易与其他算法结合等优点。K中心点算法是K均值的改进算法,鲁棒性强,不易受极端数据的影响。结合这两种算法的优点,提出一种基于云计算环境下的ACO-K中心点资源分配优化算法,得到最优的计算资源,提高云计算的效率。通过仿真验证了该算法的有效性。     

一种改进的基于粒子群的粗糙K-medoids算法

针对K-medoids算法的全局搜索能力弱和迭代计算过程计算量大的不足,提出了一种改进的基于粒子群的粗糙K-medoids算法。该算法通过粒子群算法来改善K-medoids全局搜索能力,通过计算样本集的相异度矩阵来简化粒子群编码,引入粗糙集理论处理边界模糊数据,并利用记忆技术对K-medoids的迭代过程进行优化,降低算法的复杂度。通过对UCI中的Iris、Mushroom数据集测试,该算法的准确率提高,运行时间减少。     

基于差分进化的改进狼群算法研究

针对传统狼群算法（WPA）存在易陷入局部最优解、计算资源耗费大、鲁棒性低等问题,提出一种基于差分进化的改进狼群算法（DWPA）。首先,通过引入探狼搜索因子、猛狼最大奔袭次数、自适应围攻步长、差分进化策略等对传统狼群算法进行了改进,降低算法计算耗费的同时提高了算法的全局搜索能力;然后,运用马尔可夫链理论证明了DWPA的收敛性;最后,对13个测试函数进行寻优测试并与WPA等4种算法进行对比分析。测试结果表明,DWPA具有良好的鲁棒性和全局搜索能力,在求解多峰、高维、不可分函数方面的寻优能力尤为突出。