结合蚁群聚类算法的模糊C均值聚类

模糊C均值（FCM）聚类算法采取随机选取聚类中心的方法,这种方法使得FCM算法在局部范围内容易获得最优解,但在全局范围内效果较差,且FCM算法中聚类簇的个数一般需要人为设定。面对上述种种问题,文中将蚁群聚类算法和FCM聚类算法进行结合,获得了一种改进的FCM聚类算法。该算法在初步聚类中利用蚁群聚类产生聚类中心和簇的个数,将产生的聚类中心提供给FCM算法进行再次聚类。利用蚁群聚类的全局搜索和并行运算的优点避免了聚类易陷入局部最优解的缺陷。经过实验验证,该算法较一般FCM算法具有更好的性能。     

一种基于蚁群算法的模糊C均值聚类

针对模糊C均值(FCM)聚类算法,在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解,FCM算法自身并不能确定聚类个数需要人为设定,并在数据分类应用时具有了一定误差的问题,提出了一种基于蚁群算法的FCM聚类算法。该算法根据蚁群聚类算法确定模糊聚类个数和FCM算法的初始聚类中心：利用蚁群算法的全局搜索性、并行计算性等特点避免了聚类陷入局部最优解：仿真结果表明了该算法的有效性。     

改进的模糊C-均值聚类算法

为了克服模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于改进量子蚁群的模糊聚类算法。将量子计算原理和蚁群算法相结合来改进FCM算法。初期采用量子遗传算法生成信息素分布,后期利用蚁群算法的全局搜索性、并行计算性等特点避免聚类陷入局部最优解。实验证明该算法保证了种群的多样性,有较好的全局收敛性,克服了模糊C-均值聚类算法的不足,能有效解决未成熟收敛的问题,使聚类问题最终快速、有效地收敛到全局最优解。     

集粒度计算、蚁群算法与模糊思想的聚类算法

模糊C均值聚类算法在开始时采用随机的方式选取初始聚类中心,该方式使得FCM算法对初始聚类中心的选取极为敏感,且在局部范围内较易得到最优解,但是在全局范围内的效果较差;蚁群聚类算法根据先验知识随意设定蚂蚁拾起或放下数据对象的概率,缺乏严密的数学依据。针对FCM算法和蚁群算法的不足,文中将模糊粒度计算的思想推广应用到蚁群聚类算法中,并将改进后的蚁群聚类算法与模糊C均值聚类算法相结合,提出了一种将粒度计算、蚁群算法与模糊C均值算法思想相结合的聚类算法。经过实验验证,改进后的算法较原算法具有更好的聚类效果。     

模糊蚁群聚类及其在数据挖掘中的应用

提出了一种基于蚁群算法的动态模糊聚类分析方法,并研究其在数据挖掘中的应用。该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态的确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足。从而将蚁群算法与模糊C均值聚类有机的结合,实现了基于改进的目标函数聚类分析,可以寻求到具有全局分布特性的最优聚类。     

基于自适应蚁群的FCM聚类优化算法研究

模糊C均值聚类算法在算法初始化时需要人为设定聚类类别数、随机初始化聚类中心,致使该算法容易陷入局部最优值.为解决此类问题,在蚁群算法中引入信息素更新机制,使其输出的聚类中心更具全局优化的特征和较强鲁棒性的特点;用蚁群算法得到的聚类中心来初始化FCM算法的聚类中心,解决了FCM算法对初始聚类中心敏感的问题;使用结合熵信息与数据几何结构的聚类有效性评价方法对FCM算法和优化FCM算法进行评价,评价结果表明优化的FCM算法性能更优.在仿真实验中,利用提出的优化算法和FCM算法对自然图像、纹理图像和SAR图像进行分割实验,从图像分割的准确性和算法的实时性做对比实验,验证了优化算法的有效性.     

一种基于萤火虫算法的模糊聚类方法

针对模糊C-均值聚类对初始值敏感、容易陷入局部最优的缺陷,提出了一种基于萤火虫算法的模糊聚类方法。该方法结合萤火虫算法良好的全局寻优能力和模糊C-均值算法的较强的局部搜索特性,用萤火虫算法优化搜索FCM的聚类中心,利用FCM进行聚类,有效地克服了模糊C-均值聚类的不足,同时增强了萤火虫算法的局部搜索能力。实验结果表明,该算法具有很好的全局寻优能力和较快的收敛速度,能有效地收敛于全局最优解,具有较好的聚类效果。     

基于细菌觅食的FCM聚类算法

针对FCM聚类算法对初始聚类中心敏感和易陷入局部最优解的缺点,提出一种基于细菌觅食的细菌觅食聚类算法。将细菌觅食算法与FCM算法相结合,并以反向学习来初始化细菌种群,增加种群的多样性和代表性,求得的最优解作为FCM算法的初始聚类中心,使FCM算法对初始聚类中心的依赖性降低,同时也降低了陷入局部最优解的可能性,提高了算法的稳定性。实验结果表明,该算法克服了FCM算法稳定性差的缺点,收敛速度更快,具有良好的性能和聚类效果。     

基于竞争学习的K质心组合聚类算法

K-Means算法的聚类结果对初始簇的选择非常敏感,通常获得的是局部最优解而非全局最优解.为此,在K-Means聚类算法基础上,引入组合聚类和竞争学习概念,提出一种基于竞争学习的K质心组合聚类算法CLK-Centroid.该算法采用竞争学习策略计算簇的质心,以适应噪声数据和分布异常数据的要求,使用组合聚类策略提高聚类的...     

SFLA-FCM聚类算法在化工过程中的应用

针对化工生产过程的安全性问题,提出基于混合蛙跳(shuffled frog leaping algorithm,SFLA)的FCM聚类算法。该算法引入寻优能力强的SFLA求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效避免了F C M算法易陷入局部最优和对初始值敏感的缺点。将该算法用于化工生产状态数据的聚类分析,实验结果表明,本文算法与F C M聚类算法相比,提高了算法的寻优能力,聚类效果更好;并且能够快速、客观地对化工生产过程的状态进行判别,为其安全运行提供了保障。     

一种改进的蚁群聚类组合算法

基本蚁群聚类算法不必设置初始聚类中心,具有良好的全局搜索能力,但是算法的执行效率低。为此提出了一种改进的蚁群聚类组合算法,该算法引入了K-means算法的思想,在形成新类时设置阈值,利用连通性合并类,使改进后的算法在确保收敛速度的同时,提高了聚类的准确度。实验表明,该算法具有计算效率高、聚类能力强等优点,可用来获得全局最优解。     

改进的粒子群模糊聚类算法

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。     

分层递进的改进聚类蚁群算法解决TSP问题*

随着旅行商问题(TSP)规模的增大,传统蚁群算法的运行时间会增大,算法的解精度也会降低,并且算法很容易陷入局部最优的情况。提出的分层递进算法的思想源于分工合作的产品线组装流程,首先利用改进的密度峰聚类算法确定拐点,从而选举出聚类中心,根据聚类中心确定包含的数据点;其次将初始的TSP问题分割成较小的簇,这些簇称为二类TSP问题;再经自适应信息素更新策略的蚁群算法运算,找出每个簇的最优解,进一步将簇与簇之间相近的节点构成的边断开;然后两簇之间断开的节点重组成全局最优解;最终通过局部优化策略对重组的优化解进一步优化,从而在保证算法解质量的前提下有效地缩短了运行时间。从TSPLIB中选取小规模、大规模基准案例,通过Matlab仿真验证了改进算法具有更好的鲁棒性,特别是在大规模基准案例中显著地减少了算法运行时间。     

基于GEP的遥感数字图像模糊聚类研究

针对遥感信息的不确定性和混合像元问题,分析FCM算法。为了避免FCM初值选取不当而陷入局部最优,提出基于基因表达式编程的遥感数字图像模糊聚类算法。该算法可以利用外层GEP算法的全局寻优能力,确定最佳初始聚类中心,再利用内层FCM算法的模糊聚类和局部快速收敛的特性获得遥感数字图像的最优聚类。     

基于蚁群优化的直觉模糊聚类脑MR图像分割

针对现有模糊C均值(FCM)聚类算法存在的对初始参数敏感、迭代速度慢,以及对噪声鲁棒性差等问题,提出将蚁群优化算法(ACO)与直觉模糊聚类相结合的方法用于分割脑部MR图像.该算法采用自适应蚁群优化算法获取初始聚类中心与聚类个数作为直觉模糊聚类的初始值,将融入了局部空间信息和犹豫度的直觉模糊聚类算法应用于含噪声脑部图像及脑肿瘤图像进行分割.实验结果表明该算法能够有效抑制噪声干扰且保存图像细节,相较于FCM及相关改进算法具有更高的分割精度和分割效率.     

基于调整学习的聚类算法

调整学习是一种逐步求精的近似学习方法,是提高局部搜索解质量的重要途径之一.该方法调用调整算子填平局部最优解陷阱,构造一系列不同粒度的搜索空间,降低局部最优解对解质量的影响.利用调整学习的基本原理设计了聚类算法框架CAT_L,并给出了适合处理聚类问题的噪声平滑调整算子.实验对比了经典FCM算法与FCM-CAT_L(以FCM算法作为CAT_L框架的聚类算子)算法的聚类质量.实验结果表明,调整学习方法对提高聚类质量是有效的.     

融合全局最好和声搜索算法的模糊C均值聚类图像分割

针对传统模糊C均值(FCM)聚类算法聚类数目难以确定,迭代速度慢,易陷入局部最优以及对聚类中心初始值的设置敏感等问题,提出一种融合全局最好和声搜索模糊C均值(GBHS-FCM)聚类算法。首先,利用全局最好和声搜索(GBHS)算法的全局性和鲁棒性的优点,得到初始聚类中心和聚类个数,再将其作为传统FCM聚类算法的初始聚类中心和聚类个数;其次,提出一种新颖的模糊聚类目标函数,将图像像素点邻域依赖特性考虑进来,与像素点灰度信息共同作用,增强了分割结果空间的连续性;此外,还采用了一种新颖的距离公式代替欧氏距离公式,增强了新算法对噪声的鲁棒性。仿真结果表明,新算法有效避免了传统FCM算法因初始聚类中心设置敏感而收敛到局部最优解,在聚类精度、速度和鲁棒性上均比传统FCM算法有所提高,针对具有不同特征的图像分割取得了较好的结果。     

基于模拟退火粒子群算法的FCM聚类方法

针对模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于模拟退火粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力和模拟退火算法跳出局部极值的能力,克服了模糊C-均值聚类算法的不足。实验表明,该算法有很好的全局收敛性,能够较快地收敛到最优解。     

基于FCM聚类和蚁群优化的WSN路由算法

在无线传感器网络(WSN)中生命周期的研究中,提出一种基于LEACH协议、Fuzzy C-Means(FCM)聚类算法和蚁群算法的改进路由算法。首先在预处理阶段FCM聚类算法将节点距离形成多个簇,避免每轮成簇造成能量浪费。然后在数据传输阶段使用蚁群算法寻找从簇头到基站的最优路径。仿真结果表明,该算法与LEACH协议相比,能够有效减少能量消耗、延长网络寿命。     

基于自适应步长的萤火虫划分聚类算法

在许多领域中,聚类是重要分析技术之一,如数据挖掘、模式识别和图像分析。针对K-means算法过度依赖初始聚类中心的选择而陷入局部最优的问题,提出了基于自适应步长的萤火虫划分聚类算法,简称ASFA。利用萤火虫算法的随机性和全局搜索性,来找到指定数量的初始簇中心,进一步利用K-means得到精确的簇划分。在萤火虫聚类优化算法中,采用自适应步长代替原有的固定步长,从而避免算法陷入局部最优,且能获得精度更高的解。为了提高算法性能,将改进的新算法用于不同规模大小的标准数据集中,实验结果表明,ASFA与K-means、GAK、PSOK对比显示更好的聚类性能和更好的稳定性和鲁棒性,与其他文献中算法相比,ASFA在寻优精度方面能取得更好的效果。