基于排列的微粒群优化算法

针对基本微粒群优化算法(PSO)存在陷入局部最优的问题,提出一种基于排列的改进微粒群算法(RPSO).该算法对每次迭代过程中的个体历史最优解按照适应值的优劣顺序排列,然后选择若干个较优的个体历史最优解作为候选解,再以概率方式在候选解中确定群体历史最优解的位置.RPSO算法使基本PSO算法易于陷入局部最优的问题,得到有效的缓解.为了分析算法的性能,对几种典型的非线性函数进行了测试.实验结果表明,RPSO算法比基本PSO算法具有更好的寻优能力.     

自适应双群微粒群优化算法

针对微粒群优化算法PSO（Particle Swarm Optimization Algorithm）容易陷入局部最优点的缺陷,提出一种自适应双群微粒群优化算法（ATS-PSO）。该算法将种群分成两个子群,分别采用全局版本和局部版本两种不同的搜索策略,共同更新种群的历史最优解,并且在算法迭代期间根据群体适应值方差自适应调整两个子群的规模和结构。为了分析算法的性能,对几种典型的非线性函数进行了测试。结果表明,新算法的全局收敛能力有了明显改善,而且能有效缓解早熟收敛问题。     

基于共享反K近邻的局部离群点检测算法

离群点检测和分析离群模式隐含的特征是离群点挖掘的重要研究内容.现有离群点检测算法存在两个明显的不足:根据离群度检测离群点,难以确定离群点的数量;忽略了与离群点邻接的聚类信息,不能提供解析离群模式的有效证据.为此,提出一种基于共享反K近邻的离群点检测算法,首先定义了一种对密度和维数变化不敏感的共享反K近邻相似度,然后应用聚类方法将数据集划分为聚类簇和包含离群点的离群簇,从而获取数据集中的离群点及解析离群点的聚类结构.仿真结果表明,反K近邻算法比现有方法更能精确地检测数据集中的局部离群点,具有很好的控制性能.     

一种改进的差分进化自动聚类算法

针对基于进化算法的自动聚类方法具有收敛速度慢的缺陷,为回忆收敛性,提高算法精度,提出一种改进的差分进化自动聚类算法.算法从改进染色体评价过程中的解码方式,依据由染色体解码得到的聚类数和质心集,通过质心筛选和质心聚类两步操作,从包含于染色体中的聚类划分簇中提取较优的聚类划分,从而避免了因随机解码方法导致的对染色体的错误评价,使较优的染色体能够在种群进化中存活下来.仿真结果表明,新算法的收敛速度明显好于同类算法,并且收敛精度也有改善.     

半监督的自动聚类

基于进化算法的自动聚类方法在处理聚类结构比较松散的数据集时,存在聚类准确性不高、收敛速度慢的缺陷,为此提出一种半监督的自动聚类算法。该算法从调整染色体的解码过程入手,首先从染色体中分离出聚类数和所有的质心,然后使用最近邻规则滤去部分偏离数据集分布区域的无效质心,最后嵌入先验信息辅助K-均值方法对剩余的质心聚类,进一步优化染色体的解码结果。实验结果表明,该算法对聚类结构紧密或松散的数据集均可给出较精确的聚类结果。     

基于亲和度累积的人工免疫网络聚类

当数据集聚类边界不清晰或存在噪声干扰时,人工免疫网络聚类算法通常无法获得有效的聚类划分。受抗体免疫差异性的启发,提出一种基于抗体亲和度累积的人工免疫网络聚类算法。该算法在抗体中引入亲和度累积及有效的更新策略,使用记忆网络中抗体的亲和度累积强度分布表达数据集的空间密度变化趋势,从而在记忆网络中通过二次免疫抑制,使网络中抗体的聚类结构更加清晰。实验结果表明,该算法对聚类边界不清晰的数据集可获得较精确的聚类划分,同时具有很强的噪声抑制能力。     

半监督的人工免疫网络聚类

数据集的聚类边界不清晰时,人工免疫网络聚类使用最小生成树确定聚类数的依据往往不足.分析了问题存在的原因,提出一种基于人工免疫网络的半监督聚类算法.该算法一方面在抗体克隆操作中嵌入数据集 的先验信息,抑制位于聚类边界区域抗体的激活能力,从而保证记忆网络能更清晰的反映数据集中各聚类原型的结构;另一方面,将先验信息用于...     

一种基于KD树子样的自动聚类方法

基于进化算法的自动聚类方法具有搜索目标函数全局最优和自动发现聚类数的优点,同时也存在时间代价过高的缺陷.本文提出一种基于KD树子样的自动聚类方法,该方法使用KD树对样本空间进行分割,并在各子空间中随机取样形成KD树子样,然后在子样中自动聚类,最后运用K-Means在整个样本集中优化子样中的聚类结果.本文方法能够有效避免...     

粒度母体混合分布的微粒群算法研究

针对粒度母体混合分布识别中参数优化求解问题,为进一步提高识别效率,利用一种改进的微粒群算法对粒度母体混合分布的参数进行优化。方法通过设置检验值,判断算法是否陷入局部最优解,并让陷入局部最优的粒子进入下一次迭代,避免微粒群算法在搜索过程中陷入局部最优的缺陷问题。在仿真实验部分,将方法估计的高斯混合模型的参数与迭代EM算法估计的模型参数做比较,结果表明,得到的模型参数接近真实的分布,使得粒度母体混合分布的识别率进一步提高。