粒子群差分扰动优化的聚类算法研究

通过对大数据优化聚类分析,实现了机械设备的工况监测和故障诊断,提出了一种基于粒子群差分扰动优化的数据模糊C均值聚类改进算法,利用粒子群种群进化的差异度逐渐变小的聚集原理,求得符合分类属性模式的有限数据集特征,使用关联维特征提取方法得到时频聚类交叉项,结合模糊C均值聚类算法,把适应度最小的粒子群个体进行差分进化处理,实现大数据信息流的特征融合和优化聚类.仿真结果表明,采用该算法进行大数据聚类处理,数据聚类中心具有较好的聚焦能力,受到的旁瓣干扰较小,避免陷入局部最优,降低了误分率,在工况识别等领域具有较好的应用价值.     

一种新的混合差分粒子群优化算法及其应用

基于差分进化算法在收敛快速性及粒子群算法在种群多样性保持上的优势,提出一种新的混合启发式优化算法,其基本思路是将粒子群种群作为辅助变异算子,与差分进化算法种群进行交叉操作,产生的新子代继承了父代和母代的优势特性,从而避免了单一算法的早熟收敛和收敛速度过慢的问题。通过与已有的改进算法仿真对比,该算法能够有效的跳出局部极值防止算法早熟且收敛速度很快。最后,借鉴已有文献方法对混合算法在B2C路径优化问题中的工程应用进行了实验研究。     

基于人工免疫系统的二进制差分进化算法

差分进化作为一种新的进化算法,在诸多实值优化问题中已经取得了巨大成功,然而,在解决离散问题时易出现早熟收敛.为了克服这个缺点,提出一种基于生物学免疫理论的二进制差分进化算法,通过引入负选择操作改善算法的收敛性能.模拟结果表明,基于生物学免疫理论的二进制差分进化算法比二进制粒子群优化和遗传算法,显著提高了搜索能力和收敛速度.     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

一种基于协同进化方法的聚类集成算法

针对单一聚类算法存在的不能泛化的问题,将集成学习技术应用于聚类算法中,集成学习技术可以显著提高学习系统的泛化能力。提出了1种基于粒子群和遗传算法的协同进化聚类集成算法,粒子群算法保证算法快速收敛,遗传算法全局搜索扩大搜索范围,提高了聚类的性能和收敛速度。将本研究提出的算法在多个UCI数据集上进行试验验证,结果表明该算法是有效的。     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊 C 均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值. 文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO-FCM）. 利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题,同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM 进行图像分割. 实验表明,该方法能解决 FCM 算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果.     

基于粒子群优化的模糊聚类算法

针对模糊C均值聚类算法具有容易陷入局部极小值,对初始值和噪声数据敏感的缺点,提出了基于粒子群优化算法的改进模糊聚类算法（PSFC）．该算法引入了粒子群优化算法强大的全局寻优能力,并结合了模糊C-均值聚类算法的特点．实验结果表明,该算法是一种实用的、速度更快、效率更高的改进聚类算法,具有很好的全局收敛性和较快的收敛速度．     

基于kmmeans的量子微粒群动态聚类

k-means算法原理简单、收敛速度快,但易陷入局部最优,且须将聚类的类簇数作为先验知识,为此,引入量子微粒群与k-means算法结合,提出了一种改进的动态聚类算法。改进算法具有量子微粒群的全局搜索能力,且对每个粒子采用k-means进行优化,从而加快算法的收敛速度。通过适应度函数值的调整,算法在聚类中能够搜寻到最优类簇数,这样类簇个数和中心就不受主观因素的影响。实验表明,算法有效。     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

融合改进PSO和K-调和均值的混合聚类算法

为了提高聚类算法的全局搜索能力,提出了一种融合改进的粒子群算法(IPSO)和K-调和均值聚类(KHM)的混合聚类算法(IPSO-KHM)。该算法为了改进PSO算法容易陷入局部最优的缺点,提出了一种粒子突变策略,根据粒子分布密集程度及粒子在当前最优值附近的相对分布位置,通过移动低效粒子使之远离当前局部最优值,从而提高粒子全局搜索的效率,避免陷入局部最优。实证分析结果表明:IPSO-KHM算法的聚类效果、收敛速度、分类精度等性能优于其他算法。     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊C均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值．文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO—FCM）．利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题。同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM进行图像分割．实验表明,该方法能解决FCM算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果．     

一种改进的粒子群优化快速聚类算法

提出了一种改进的基于粒子群优化的快速K均值算法,有效克服了K均值算法对初始聚类中心敏感和容易陷入局部最优从而影响聚类效果等缺点.与已有的粒子群优化聚类算法相比,该算法通过对样本各维属性进行规范化,预先计算样本的相异度矩阵,提出了一种简化的粒子的编码规则,基于相异度矩阵进行粒子群优化K均值聚类,在保证聚类效果的基础上,有效降低了计算的复杂度.在多个UCI数据集上的实验结果表明,该算法是有效的。     

基于优化离散差分进化算法的压缩感知信号重构

针对传统压缩感知重构算法严重依赖稀疏度、重构精准度不高的缺陷,提出了一种基于优化离散差分进化(ODDE)算法,对进化种群进行分析,在实现种群有效聚类的同时提高了种群学习进化的针对性和科学性.重新定义了差分进化粒子的编码方式和进化机制,并将优化后的离散差分进化算法应用于压缩感知重构方法中.将稀疏度未知信号等效为粒子编码,通过种群迭代进化实现了稀疏信号的精确重构.仿真结果表明,与StOMP等传统重构算法相比,本文方法可以显著提高重构精度、降低重构时间.     

基于多粒子信息共享策略的PSO小波网络模型

针对粒子群优化算法在训练小波网络存在的早熟收敛问题,提出一种改进的粒子群优化算法.该算法通过引入多粒子信息共享策略,使种群中各粒子共享多个粒子的有用信息,以期增加种群多样性,减少各粒子在进化早期被吸引到最优粒子附近的可能性,提高小波网络的建模质量.仿真表明,相对于BP算法和标准粒子群优化算法,本文算法在训练小波网络方面估计精度更高,收敛速度更快,并有效解决了早熟收敛和局部最优问题.     

具有完全学习策略的量子行为粒子群癌症基因聚类算法

为提高癌症基因表达数据聚类的准确性和效率,对具有完全学习策略的量子行为粒子群优化（CLQPSO）算法和广义回归神经网络（GRNN）进行了研究,实现了一种CLQPSO癌症基因聚类算法. GRNN能充分利用多条相似基因隐含的规律,对基因表达缺失值的预测有较高的可信度;CLQPSO算法在迭代更新时能充分利用各粒子当前最佳位置和粒子群所提供的社会合作信息,避免过早收敛于局部最优解. 实验表明,综合使用GRNN和CLQPSO算法对癌症基因表达数据进行聚类,比K-Means、谱聚类、离散粒子群算法具有更好的聚类性能和全局收敛性.     

基于差分方程的PSO算法参数设计

在分析粒子群优化算法基本原理的基础上,建立了粒子群优化的差分优化模型.通过对差分方程特征根的求解及分析,得出了粒子群算法的收敛区域.为了验证收敛区域的有效性,从6个不同方面的参数设置对收敛性区域进行数值仿真,仿真结果验证了收敛区域的正确性,得出了粒子群算法参数设置的经验性公式.同时差分方程特征根的分析方法为其他智能算法的参数设置提供了一套很好的参数设计方法.     

半监督聚类目标下粒子群算法的分析与改进

传统粒子群算法的优点较为明显,但是随着环境复杂度的增高,传统算法的聚类中心敏感度升高,空聚类过多,类标号对聚类结果的影响不足等问题日趋严重.为此,提出了一种改进算法,以半监督K均值聚类为目标,以自适应K值的方式,随机地计算初始化聚类中心,并根据均值聚类算法的需要编码成粒子,同时引入软性约束概念重新构造目标函数;最后使用改进后的算法进行寻优.所提出的粒子群算法改进了自适应参数,引入了免疫扰动和混沌扰动2种扰动方式,同时应用了退火策略和动态聚类策略.实验结果表明,该算法在很大程度上解决了上述问题.     

一种改进的差分进化算法及其应用

多目标优化问题(MOP)存在范围广且人工求解难度大,通过差分进化算法(DE)解决MOP问题具有重要意义.由于常用DE算法性能有限、收敛速度、计算精度和优化能力相互制约,通过改善变异因子、进化机制以及与粒子群算法融合等措施,研究一类基于粒子群优化和DE的混合算法(PSODE),经典优化函数的仿真实验和对比分析,结果表明在高维复杂寻优问题中可以求得高精度解.在实际数字滤波器优化设计中,表明其改进算法在计算精度和运行速度上均能取得满意的应用效果.     

基于混沌粒子群和模糊聚类的图像分割算法研究

针对模糊C-均值聚类算法受初始聚类中心和隶属度矩阵的影响,易陷入局部最优解,以至于得不到最佳聚类结果等问题,提出了一种新的基于混沌粒子群的模糊C-均值聚类的图像分割算法。该算法采用逻辑自映射函数初始化均匀分布的粒子群,当算法陷入早熟收敛时进行混沌优化,以改善因粒子停滞而收敛到局部最优解的能力。实验结果表明,该算法具有更快的分割速度和更高的分割精度。     

基于量子行为和差分进化的改进蜻蜓算法

针对原始蜻蜓算法易陷入局部最小值导致全局搜索能力较差,以及蜻蜓算法后期种群缺乏多样性易出现停滞现象等缺陷问题,提出量子行为和差分进化融合策略下的改进蜻蜓算法(QDEDA)。量子行为的融入改进了算法中蜻蜓个体的位置更新方式,差分进化的融入增强了算法中的信息交流,量子行为和差分进化融合策略实现了优化该算法向最优解方向搜索。最后选取8个标准测试函数进行实验验证,与原始蜻蜓算法、灰狼算法和粒子群算法进行对比分析,QDEDA在收敛速度和寻优精度方面均实现改善。