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．     

基于改进的微粒群优化算法的山峰聚类法

对微粒群算法进行改进,使之具有多峰寻优能力,并将其与山峰聚类法相结合,提出了基于改进的微粒群优化算法的山峰聚类算法(A Mountain Clustering Based on Improved PSO,MCBIPSO).文中给出了该方法的原理和计算步骤.仿真结果表明,该算法物理意义明确,用于基于密度的样本聚类时,计算简单快捷,能有效搜寻到数据样本空间的各个聚类中心,从而实现对数据样本的准确聚类.     

基于微粒群算法的聚类算法改进

现有的对多维数据进行聚类的常用聚类算法,通常需要事先给定聚类数k.但在大多数情况下,聚类数k事先无法确定,因此需要对最佳聚类数k进行优化处理.采用基于微粒群算法的聚类算法.为了解决微粒群聚类算法无法确定聚类数k的现象,通过k均值算法的引入,实现最佳聚类数k的求解和聚类有效性函数的构造,试验证明引入类间距离的聚类有效性检测函数对最佳聚类数判别科学,同时由于检测函数中类间距离权重的引入使该检测函数可以更好地应用于现实数据分析.     

基于元胞自动机的小生境微粒群算法

小生境技术的引入,提高了微粒群算法处理多峰函数优化问题的能力。本文提出了基于元胞自动机邻域的小生境微粒群算法,并通过对典型函数进行测试,实难结果表明,该算法在复杂函数(较难收敛函数)的优化中比基于环形结构的标准小生境微粒群算法要好。     

一种基于微粒群的模糊聚类算法

模糊聚类的FCM算法由于得不到各聚类的解析解,使其在某些应用中出现问题。为此,该文提出了一种基于微粒群理论的模糊聚类方法,利用微粒群自动调整各模糊聚类的中心点及其隶属函数参数,使模糊聚类符合数据分布特征,同时得到各聚类的隶属函数解析解。通过典型模糊分类问题,说明了该算法的有效性。     

基于密度的微粒群优化混合聚类算法

在分析了现有的基于密度的聚类算法的基础上,结合微粒群算法,提出了一种基于密度的微粒群混合聚类算法。相对于DENCLUE聚类算法,该算法能够对使用的资源进行有效的控制,有利于实现对数据库数据的增量处理。实验证明了算法的有效性。     

基于微粒群优化聚类数目的K–均值算法

K-均值算法是广泛使用的聚类算法,但该算法的聚类数目难以确定,且聚类结果对初始聚类中心比较敏感.本文提出一种基于微粒群优化聚类数目的K-均值算法,该算法采用聚类中心的坐标和通配符表示微粒位置,通过定义微粒更新公式中新的加减运算符,动态调整聚类中心的数目及坐标,此外,以改进的聚类有效性指标Davies-Bouldin准则作为适应度函数.5个人工和真实数据集的聚类结果验证了所提算法的优越性.     

基于种群小生境微粒群算法的前向神经网络设计

根据自然界中鱼鸟等所具有的种群运动特征,借鉴递阶编码的思想,构造出一种种群小生境微粒群算法,具有小生境内个体微粒自由运动特征分量和小生境种群运动特征分量分层递阶进化的特征,克服了标准微粒群算法或其改进算法在多蜂函数寻优时出现的微粒“早熟”现象,应用该算法进行三层前向神经网络连接权值和网络结构联合并行自适应设计,在混沌时间序列预测中显示了良好的性能。     

小生境排挤聚类算法

1 引言在生物学中,小生境(Niche)是指特定环境下的一种生存环境。在生物进化过程中,相同的物种一般生活在一起,共同繁衍后代,它们往往生活在特定的区域,如热带动物很难在北极生存,而北极的动物很难在赤道存活。受大自然的物竞天择,优胜劣汰的思想启发,De Jong提出了基于排挤机制的(Crowding)的小生境方法,排挤的思想源于在一个有限的空间中,各种不同的生物为了能够延续生存,它们之间必须相互竞争有限的资源。该方法已经成功地用于解决多峰函数的极限问题。     

基于量子行为的微粒群优化算法的数据聚类

在PSO聚类算法的基础上,提出了基于量子行为的微粒群优化算法(QPSO)的数据聚类.QPSO算法不仅参数个数少、随机性强,并且能覆盖所有解空间,保证算法的全局收敛.PSO与QPSO算法的不同在于聚类中心的进化上,实验中用到四个数据集比较的结果,证明了QPSO优于PSO聚类方法.在聚类过程中使用了一种新的度量代替Euclidean标准,实验证明了新的度量方法比Euclidean标准更具有健壮性,聚类的结果更精确.     

双群体随机微粒群算法

以保证全局收敛的随机微粒群算法为基础,文章提出了一种双群体随机微粒群算法——DB-SPSO。该方法采用两个群体同时进化,一个群体在进化过程中所出现的停止微粒由另一群体的微粒来代替,并和此群体中其余的微粒一起继续进化。通过对此算法的参数适用范围及收敛率进行讨论,给出了此算法的适用范围。其仿真结果表明:对于单峰函数和多峰函数,此算法都能够取得较好的优化效果。     

An Adaptive Clustering Protocol Using Niching Particle Swarm Optimization for Wireless Sensor Networks

Clustering is an hierarchical topology control method, and it is also an energy‐saving and energy efficient technique that extends the sensor network's lifetime. In this paper, we propose and analyze an adaptive clustering protocol using niching particle swarm optimization (ACP‐NPSO), a protocol architecture that uses NPSO to cluster the wireless sensor networks adaptively and efficiently, thus saving energy, balancing energy consumption and enhancing the system's robustness. The simulation results indicate that our proposed protocol ACP‐NPSO can enhance system lifespan, accelerate the convergence speed, and deliver more data by distributing energy dissipation evenly in the networks.     

一种改进的小生境多目标粒子群优化算法

提出一种小生境多目标粒子群优化算法。使用环邻域拓扑且无需任何小生境参数,克服常规小生境技术中需确定小生境参数的困难。采用NSGA-II的非支配排序策略和动态加权方法选择最优粒子。基于拥挤度的变异操作引导粒子跳出局部最优,增强算法的全局搜索能力。通过对ZDT1~ZDT4和ZDT6的测试结果表明,与经典的多目标进化算法NSGA-II、PESA-II和MOPSO相比,该算法在最优解集的收敛度与多样性方面具有明显的优势。     

基于改进混沌粒子群的聚类检测算法研究

针对入侵检测系统特征报警聚类质量低、冗余告警的不足,提出基于改进混沌自适应粒子群优化的IDS 特征 报警聚类方法。该方法结合混沌算法特性和改进粒子群算法自适应惯性权重系数以及对非线性动态学习因子进行改善,引导 粒子群在混沌与稳定之间交替波动,保证粒子运动惯性,更利于趋近最优。本方法能够克服PSO算法的过早收敛、“惰性”反 应等缺点,利于聚类中心更能趋向全局最优。实验结果表明,本文粒子群参数改进算法提高了特征报警聚类质量,具有较高的 检测率和较低的误报率。     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中,平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键,多数已提出的方法仅依靠一种策略引导粒子搜索,在解决复杂问题时算法收敛性和多样性不足.为解决这一问题,提出一种基于种群分区的多策略自适应多目标粒子群优化算法.采用粒子收敛性贡献对算法环境进行检测,自适应调整粒子的探索和开发过程;为准确制定不同性能的粒子的搜索策略,提出一种多策略的全局最优粒子选取方法和多策略的变异方法,根据粒子的收敛性评价指标,将种群划分为3个区域,将粒子性能与算法寻优过程结合,提升种群中各个粒子的搜索效率;为解决因选取的个体最优粒子不能有效指导粒子飞行方向,使算法停滞,陷入局部最优的问题,提出一种带有记忆区间的个体最优粒子选取方法,提升个体最优粒子选取的可靠性并加快粒子收敛过程;采用包含双性能测度的融合指标维护外部存档,避免仅根据粒子密度对外部存档维护时,删除收敛性较好的粒子,导致种群产生退化,影响粒子开发能力.仿真实验结果表明,与其他几种多目标优化算法相比,该算法具有良好的收敛性和多样性.     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

基于多种群量子粒子群优化的属性约简

现代工业发展要求迅速、可靠地实现故障诊断。针对粒子群约简算法易陷入局部最优等问题,提出了一种多种群量子粒子群优化算法（MIQPSO）。该算法对量子粒子群算法进行分群,并通过接种疫苗,指导粒子朝更优化方向进化,提高了量子粒子群的收敛速度和寻优能力。利用UCI相关数据集,通过对Hu算法、粒子群算法、量子粒子群算法、多种群量子粒子群算法的粗糙集属性约简验证,结果表明,基于多种群量子粒子群优化的约简算法具有良好的约简效果。     

基于多类合并的PSO-means聚类算法

针对传统K—means算法中对初始化聚类中心敏感,容易陷入局部极小值等缺点,提出了一种基于粒子群算法和多类合并方法的新型K-means聚类算法．该算法首先利用改进粒子群算法选取初始聚类中心,然后利用K—means算法进行优化聚类,最后根据多类合并条件进行聚类合并,以获取最佳聚类结果．实验结果证明,该算法能有效解决传统K—means算法存在的缺陷,具有更快的收敛速度及更好的全局搜索能力,聚类划分效果更优．     

基于距离扩散的粒子群算法

粒子群算法是一种进化计算技术。文章提到的基于距离扩散的粒子群算法（JLSPSO）是在随机粒子群算法的进化过程中,嵌入确定性搜索方法以避免出现停止微粒,并且被每个微粒所共享的社会信息是随距离扩散,以便对微粒产生不同影响。经过这样改进后,JLSPSO既可以加快收敛速度,又可以保持群体多样性。通过对两个多峰的测试函数进行仿真,其结果表明：JLSPO算法不仅具有较快的收敛速度,而且能够更有效地进行全局搜索。