基于粒子群的粗糙核聚类算法

针对K-means聚类算法容易陷入局部最优、不能处理边界对象及线性不可分的缺点,提出一种基于粒子群的粗糙核聚类算法。该算法通过Mercer核将输入样本空间中的样本映射到高维空间,使样本变得线性可分,并结合粗糙集的思想,通过动态改变上下近似集的权重因子对边界对象进行有效处理,同时采用reliefF方法对样本属性进行加权处理,以解决混合数据的聚类问题,最后利用粒子群算法防止算法陷入局部最优。仿真实验表明,相对于其他改进算法,该算法具有较高的正确率和较短的收敛时间,并进一步验证了该算法的鲁棒性和稳定性,具有一定的实用价值。     

基于免疫粒子群优化的聚类算法

K均值算法简单快速,但其结果容易受初始聚类中心影响,并且容易陷入局部极值。该文结合粒子群优化算法和免疫系统中的免疫调节机制与免疫记忆功能对K均值算法进行改进,提出一种基于免疫粒子群优化的聚类算法。实验结果证明,该算法解决了K均值算法存在的对初值敏感的缺点,聚类结果稳定,而且比基于粒子群优化的聚类算法具有更好的聚类效果。     

基于特征分析的粒子群优化聚类算法

为提高粒子群优化聚类算法的性能,结合特征分析相关方法,提出一种新的串联聚类算法KPCA-PSO,阐述算法的基本原理和实施方案。在特征分析过程中,以一种简单有效的特征值选择方法避免手动选择特征值的繁琐过程。以人工数据和实际数据测试算法性能,实验结果表明该方法具有较好的聚类效果。     

基于混沌的聚类粒子群优化算法

针对函数优化问题,提出了一种基于混沌的聚类粒子群优化算法。该算法利用混沌序列产生粒子的位置和速度,并与粒子群优化算法产生的粒子位置进行比较,选择好的粒子位置。同时通过谱系聚类方法进行聚类,并且给出新的速度更新公式。最后将算法应用到5个典型的函数优化问题中,并与其它改进的粒子群算法进行比较分析。数值结果表明,该算法提高了全局搜索能力、收敛速度和解的精度。     

基于粒子群优化算法的数据流聚类算法

针对当前基于滑动窗口的聚类算法中对原始数据信息的损失问题和提高聚类质量和准确性,在现有基于滑动窗口模型数据流聚类算法的基础上,提出了一种基于群体协作的粒子群优化算法（PSO）的新数据流聚类算法。这种优化的新数据流聚类算法利用改进的时间聚类特征指数直方图作为数据流的概要结构以及应用PSO在聚类过程中对聚类质量的局部迭代优化。实验结果表明,此方法有效减少了内存的开销,解决了对原始数据信息损失的问题。与传统的数据流聚类算法相比,基于粒子群优化算法的数据流聚类算法在聚类质量和准确性上明显优于传统的数据流聚类算法。     

基于高斯扰动量子粒子群优化的图像分割算法

研究图像提取问题,在处理由不同种类纹理区域组成的彩色图像时,针对克服量子粒子群优化(QPSO)聚类算法由于早熟现象导致图像分割过程中难以计算出精确纹理区域,为了能准确提取图像目标和提高精度,提出了基于高斯扰动的量子粒子群优化(GQPSO)的新型聚类算法.受益于高斯扰动,GQPSO 改善了 QPSO 固有的多样性下降和陷入局部早熟的问题,而快速逼近全局最优解.对 Berkeley Segmentation 数据库中的 6 幅图像的分割实验结果表明,相比于 PSO 和 QPSO,GQP-SO 的聚类效果和性能均有明显改善.     

基于高斯函数递减惯性权重的粒子群优化算法

为了有效地平衡粒子群优化算法的全局搜索和局部搜索能力,提出了一种基于高斯函数递减惯性权重的粒子群优化(GDIWPSO)算法。此算法利用高斯函数的分布性、局部性等特点,实现了对惯性权重的非线性调整。仿真过程中,首先对测试函数优化以确定惯性权重的递减方式;然后比较了该算法与权重线性递减、凸函数递减、凹函数递减的粒子群算法优化不同测试函数的性能;最后结果表明,提出的算法在搜索能力、收敛速度及执行效率等方面均有很大提高。     

基于粒子群优化的模糊C-均值聚类改进算法

针对模糊C-均值聚类算法(FCM)存在易陷入局部优化的问题,将粒子群优化算法(PSO)和模糊C-均值聚类算法FCM相结合,提出了一种新的模糊聚类算法PSO-FCM.该算法使用PSO算法来代替FCM的迭代过程以实现模糊聚类,具有了很强的全局搜索能力,从而不用再为得到好的聚类效果而反复选择初值.仿真实验结果表明,提出的模糊聚类算法提高了FCM的搜索能力,具有更好的稳定性和健壮性,优化能力增强,提高了聚类的效率和效果.     

基于核模糊聚类的动态多子群协作骨干粒子群优化

针对骨干粒子群优化（BBPSO）算法易陷入局部最优、收敛速度低等问题,提出了基于核模糊聚类的动态多子群协作骨干粒子群优化（KFC-MSBPSO）算法。该算法在标准骨干粒子群算法的基础上,首先,采用核模糊聚类方法将主群分割为多个子群,令各个子群协同寻优,提高了算法的搜索效率。然后,引入非线性动态变异因子,根据子群内粒子数以及收敛情况动态调节子群粒子变异概率,通过变异的方式使子群粒子重新回到主群,提高了算法的探索能力;进一步采用主群粒子吸收策略与子群合并策略加强了主群与子群之间、子群与子群之间的信息交流,提高了算法的稳定性。最后,利用子群重建策略,结合主群与子群搜索到的最优解,调节子群重建的间隔代数。通过Sphere等6个标准测试函数进行对比实验,结果表明,KFC-MSBPSO算法和经典BBPSO算法以及反向骨干粒子群优化（OBBPSO）算法等改进算法相比寻优准确率至少提高了约11.1%,在高维解空间内测试结果的最佳均值占到83.33%并且具有更高的收敛速度。这说明KFC-MSBPSO算法具有良好的搜索性能与鲁棒性,可应用于高维复杂函数的优化问题中。     

基于粒子群优化的项聚类推荐算法

针对传统推荐算法的数据稀疏性问题和推荐准确性问题,提出基于粒子群优化的项聚类推荐算法。采用粒子群优化算法产生聚类中心,在此基础上搜索目标项目的最近邻居,并产生推荐,从而提高了传统聚类算法的推荐准确性及响应速度。实验表明改进的项聚类协同过滤算法能有效提高推荐精度。     

基于免疫进化粒子群优化的动态聚类算法

针对粒子群优化算法和传统聚类算法易产生“早熟”现象的不足,把人工免疫系统的免疫信息进化处理机制引入到粒子群优化算法,提出一种基于免疫进化粒子群的动态聚类算法。算法采用线性递减权策略为各个粒子选取适当惯性权值,利用免疫进化思想改进粒子群优化过程,同时利用聚类经验规则k≤√n确定聚类数k的初始搜索范围,以性能代价函数为依据在聚类数目未知的情况下实现动态聚类。仿真实验表明,新算法有效提高聚类正确率,具有收敛精度高和聚类能力强等特点。     

基于多样性反馈的粒子群优化算法

利用粒子群多样性的反馈信息,给出带有粒子群多样性测度反馈控制的新惯性权值动态自适应调节方法,有效地维持进化初期的种群多样性,降低粒子群优化算法在进化初期发生早熟的风险,提高最优化解的精度,减小种群规模对优化精度的影响。几个典型函数的仿真结果以及与2种典型的惯性权值调节粒子群算法的比较结果表明了算法的有效性。     

微粒群算法与郭涛算法在数值优化中的比较

对于9个典型的复杂BenchMark测试函数,分别利用PSO算法和GuoA算法进行数值计算比较,大量实验结果表明:GuoA算法更具有通用性和坚韧性,在全局收敛趋势方面较优,但是速度相对较慢;PSO算法的收敛速度很快,而且对于某些极难问题更具有优越性,但成功率相对较低,且容易早熟。     

一种新的双予群PSO算法

提出一种新的双子群粒子群优化（PSO）算法。充分利用搜索域内的有效信息,通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围。在不增加粒子群规模的前提下,提高解高维最优化问题的精度,降低粒子群优化算法陷入局部最优点的风险。3种典型函数的仿真结果及与2种经典PSO算法的比较结果验证了该算法的有效性。     

一种新的粒子群优化算法

针对传统粒子群优化算法容易早熟、收敛精度低等缺点,提出一种改进方案,使用随机惯性权重,在每一次迭代中,对可能陷入局部极值的粒子进行有效的随机初始化。通过对7个经典测试函数的数值仿真实验证明,该新算法能提高粒子群优化算法的寻优能力,并在维数较高时也能获得较好的优化效果。     

基于均匀设计的聚类多目标粒子群优化算法

为更有效地求解多目标优化问题,提出一种基于均匀设计的聚类多目标粒子群算法UCMOPSO。采用基于均匀设计的交叉操作尽可能地获得目标空间中均匀分布的非劣解,帮助种群跳出局部最优解,并通过一种新的聚类操作选择外部存档中有代表性的非劣解,从而控制外部存档规模,降低计算复杂度。对基准函数的测试结果表明,UCMOPSO算法相比同类算法在收敛性和分布性方面具有优势。     

基于改进粒子群优化的文本聚类算法研究

针对k-means算法的聚类结果高度依赖初始聚类中心选取的问题,提出一种基于改进粒子群优化的文本聚类算法。分析粒子群算法和k-means算法的特点,针对粒子群算法搜索精度不高、易陷入局部最优且早熟收敛的缺点,设计自调节惯性权重机制及云变异算子以改进粒子群算法。自调节惯性权重机制根据种群进化程度,动态地调节惯性权重,云变异算子基于云模型的随机性和稳定性,采用全局最优值实现粒子的变异。该算法结合了粒子群算法较强的全局搜索能力与k-means算法较强的局部搜索能力。每个粒子是一组聚类中心,类内离散度之和的倒数是适应度函数。实验结果表明,该算法是一种精确而又稳定的文本聚类算法。