一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

一种基于量子进化算法改进的 k-mean 聚类算法

聚类分析是模式识别中的一个重要问题,是非监督学习的重要方法。K -means 算法是其中最经典的聚类算法之一。但是这种方法面对大规模数据的时候工作量非常巨大,并且保证不了聚类结果的最优性。提出了一种基于量子进化算法的改进的 K -means 聚类算法。该方法结合了两个方法的优点,用量子进化算法进行优化,并且改进了量子进化算法中的交叉算子和更新算子,提高了基于量子进化算法的 K -means 算法局部搜索能力。实验结果表明,改进算法取得了较好的效果。     

一种高维混合属性数据聚类算法

在许多应用中,很多数据集都具有数值型和分类型数据的混合特征,k-prototype是针对这类数据聚类的经典方法之一,该方法是一种基于k-means和k-mode的聚类方法。在研究了现有的混合属性数据聚类方法之后,引入了一种新算法用于混合型数据聚类,不仅改进了prototype的选取方法,而且提出了一种新的针对混合型数据的相似度度量方式,基于此又提出了一种不同于k-prototype的数据到prototype的分配方式,采用类似层次聚类中凝聚聚类的思想进行聚类,通过在四个真实的混合型数据集上测试发现：与传统算法相比,算法提高了聚类的精度和稳定性。     

一种不完备混合数据集成聚类算法

集成聚类技术由于具有较好的泛化能力,目前引起了研究者的高度关注.已有研究主要关注数值型完备数据的集成聚类问题.然而,实际应用中面临的数据往往是兼具数值属性和分类属性共同描述的混合型数据,而且通常带有缺失值.为此,针对不完备混合数据提出了一种集成聚类算法,首先利用3种缺失值填充方法对不完备混合数据进行完备化处理;其次在3种填充后的不同完备数据集上分别多次执行K-Prototypes算法产生基聚类结果;最后对基聚类结果进行集成.在UCI真实数据集上与传统聚类算法通过实验进行了比较分析,实验结果表明提出的算法是有效的.     

一种基于划分的混合数据聚类算法

在实际应用领域,常常存在同时包含数值型和分类型特征的混合数据。然而,已有的大多数聚类算法只能处理数值型或分类型单一类型数据,因此,提出一个基于划分的混合数据聚类算法。首先给出K-Prototypes算法中分类型数据类中心的多Modes表示方式,进而将传统的欧式距离扩展到混合数据,使之能够在相同框架下更加精确地反映对象与类之间的相异性,在此基础上提出一个用于处理混合数据的划分式聚类算法。最后,在UCI数据集上的实验结果表明,与K-Prototypes算法相比,所提出的算法能够有效提高聚类质量。     

一种混合属性数据的聚类算法

提出一种基于属性分解的随机分组的改进方法,以提高聚类算法的稳定性和适用性。实验仿真结果表明,改进算法具有很好的稳定性和应用性。     

一种基于人工鱼群的混合聚类算法

聚类分析是数据挖掘的核心技术之一,它是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。文中通过分析K-平均算法的优缺点,提出了一种基于人工鱼群算法的聚类分析算法,并把它与传统的K-平均算法结合得到一种新的混合聚类算法。仿真实验表明,该算法是有效的,具有聚类速度快、精度高特点。     

一种带权的混合数据聚类个数确定算法

混合数据的聚类过程中通常面临一个不可回避的问题:聚类个数的确定。基于Liang k-prototype算法引入属性权重,重新定义混合数据缺失某类的类间熵和(SBAE_M)、有效性指标(CUM)及相异性度量。提出一种带权的混合数据聚类个数确定算法。该算法的基本思想是:用newk-prototype算法将混合数据进行聚类,计算其聚类结果的CUM及SBAE_M,将最坏的类剔除,并将该类中的对象用新的相异性度量进行重新分配,CUM最大时包含的类别数即为聚类个数。在5个UCI数据集上验证了该算法的有效性。     

基于免疫细胞分离进化的聚类算法研究

免疫细胞是生物免疫系统中的重要成分,它在整个生命周期的演变过程决定了免疫系统的性能。成熟免疫细胞和记忆免疫细胞的相互进化过程,体现出良好的识别、分类作用。通过借鉴免疫细胞的不同进化机理而抽取的聚类算法是一种新的聚类算法,能有效地提取数据的有用信息,表现出了其良好的应用前景。     

基于改进演化算法的空间数据聚类方法

分析空间数据的特点和用常规方法进行空间数据聚类分析的难点与不足,提出一种基于改进的演化算法空间数据聚类方法——SDCEA。解决用传统方法进行空间数据聚类分析时存在的问题,增强聚类分析方法的灵活性和有效性。实验结果表明,对于空间数据的聚类分析问题,该算法具有很好的性能。     

一种基于膜系统理论的多目标演化算法

提出一种用于求解多目标优化问题的基于膜系统理论的演化算法. 受膜系统理论的功能和处理化合物方式的启发,设计了求解多目标优化问题的演化操作. 此外,在表层膜中,引入了非支配排序和拥挤距离两种机制改善算法的搜索效率. 采用ZDT（Zitzler-Deb-Thiele）和DTLZ（Deb-Thiele-Laumanns-Zitzler）多目标问题对所提算法进行测试,所提算法求得的候选解既能较好地逼近真实Pareto前沿,又能满足非支配解集多样性的要求. 仿真结果表明,所提方法求解多目标优化问题是可行和有效的.     

聚类佳点集交叉的约束优化混合进化算法

提出一种基于聚类佳点集多父代交叉和自适应约束处理技术的混合进化算法用于求解约束优化问题.新算法的主要特点是:在搜索机制方面,利用佳点集方法构造初始化种群,使个体能够均匀地分布在整个搜索空间.然后根据父代个体的相似度将种群个体进行聚类分析,从聚类中随机选择个体进行佳点集多父代交叉操作,利用多个父代个体所携带的信息产生新的具有代表性的子代个体,能够维持和增加种群的多样性.另外,引入局部搜索策略以提高算法局部搜索能力和收敛速度.在约束处理技术上,新算法引入了一个自适应约束处理技术,即根据当前种群中可行解的比例自适应选择不同的个体比较准则.通过15个标准测试函数验证了新算法的有效性.     

基于SAA的混合演化算法及其应用研究

提出将模拟退火、演化策略和局部搜索算法相结合的混合演化算法,以解决函数优化与组合优化问题。该算法克服了上述三种算法在应用中的不足,并具有搜索效率高、性能稳定的特点,具体算例验证了该算法的有效性。     

类搜索算法

提出利用类结构驱动的群体进化计算方法——类搜索算法(CSA).CSA在个体间构造簇类形态的虚拟连接关系,并通过对类组织的结构和类搜索过程进行动态调节来优化模拟进化系统的计算状态,提高群体的搜索效率.介绍了CSA的基本模型,并基于CSA融合进化算子与差分计算机制设计出数值优化算法CSA/DE.对多个典型高纬函数和复杂混合函数的仿真实验结果说明,CSA/DE是一种对高纬连续问题高效、稳定的搜索优化方法.该工作一方面验证了CSA的可行性和有效性;另一方面则显示:基于类搜索模型可有效融合异构且具有不同计算特性的搜索机制,形成对待求解问题更具针对性且协调性更佳的搜索计算方法.这为高性能优化算法的设计提供了一条新的途径.     

基于免疫单亲遗传和模糊C均值的聚类算法

聚类算法是数据挖掘中的重要方法。为了克服FCM初始值敏感、客易陷入局部最优解以及普通遗传算法聚类时的搜索速度和聚类精度的矛盾,在分析FCM算法和基于道传聚类算法的不足基础上,提出了一种基于免疫单亲遗传和模糊C均值的混合聚类算法,先以免疫单亲遗传聚类算法初始化,找到接近全局的最优解,再用FCM算法进行求解。实验表明,它既较好地解决了局部最优问题,又可以利用FCM的优点来提高整体的收敛速度。     

一种基于隶属度优化的演化聚类算法

针对FCM中数据点隶属度的计算是影响算法执行效率的主要因素,提出一种新的加速FCM算法(accelerated fuzzy C-means, AFCM),用于加速FCM及基于FCM的演化聚类算法.AFCM算法采用抽样初始化操作,产生较好的初始聚类中心,对于拥有较大隶属度的数据点,通过一步k-means操作更新模糊聚类中心,同时仅更新小隶属度来达到加速FCM算法的目的.为了验证所提出方法的有效性并提高聚类算法的效率,将AFCM应用于基于演化算法的模糊聚类算法.实验表明,此方法在保持良好的聚类结果前提下,能够减少大规模数据集上聚类算法的计算时间.     

一种基于混合交叉策略的多目标演化算法

演化算法是求解多目标优化问题(MOP)重要而有效的方法,而应用演化策略、技巧是改善解性能的重要途径。论文叙述了多目标优化问题的有关概念,结合已有算法中的方法,设计了基于两种交叉操作相互结合的多目标演化算法(MOEAHC),该算法不仅具有较高的计算效率,而且能够保持解的多样性分布。测试结果表明该算法的良好性能。     

复杂分布数据的二阶段聚类算法

提出了一种用于复杂分布数据的二阶段聚类算法(two-phase clustering,简称TPC),TPC包含两个阶段:首先将数据划分为若干个球形分布的子类,每一个子类用其聚类中心代表该类内的所有样本;然后利用可以处理复杂分布数据的流形进化聚类(manifold evolutionary clustering,简称MEC)对第1阶段得到的聚类中心进行类别划分;最后综合两次聚类结果整理得到最终聚类结果.该算法基于改进的K-均值算法和MEC算法.在进化聚类算法的基础上引入流形距离,使得算法能够胜任复杂分布的数据聚类问题.同时,算法降低了引入流形距离所带来的计算量.在分布各异的7个人工数据集和7个UCI数据集测试了二阶段聚类算法,并将其效果与遗传聚类算法、K均值算法和流形进化聚类算法做了比较.实验结果表明,无论对于简单或复杂、凸或非凸的数据,TPC都表现出良好的聚类性能,并且计算时间与MEC相比明显减少.