基于遗传算法的模糊聚类在高校绩效考核中的应用

介绍了将改进的遗传算法与模糊聚类的分类方法相结合,使其更加适用于成人高校绩效考核问题中。深入研究了绩效考核问题,掌握国内外研究现状,并对绩效考核问题的各要素进行分析建模,进一步构建出模糊聚类的绩效考核模型。     

基于遗传算法的自适应文本模糊聚类研究

针对FCM聚类算法时初始聚类中心的选择敏感,以及聚类数C难以确定的问题,提出一种基于遗传算法的自适应文本模糊聚类方法.该方法首先将文档集合表示成向量空间模型,并采用一种新型的可变长染色体编码方案,随机选择文本向量作为初始聚类中心形成染色体,然后结合FCM算法的高效性和遗传算法的全局优化能力,通过遗传进化,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该算法是一种精确高效的文本聚类方法.     

一种基于遗传算法的模糊聚类算法

本文分析了FCM算法在具体应用领域中存在的缺陷基础上，针对Web文档聚类问题提出了一种基于改进的遗传模糊聚类算法，该算法不仅具有良好的计算效率，还可以克服FCM算法中存在的缺陷。     

基于遗传算法和模糊聚类的文本分类研究

鉴于模糊C-均值类型算法(FCM算法)对初始中心敏感的问题,提出了一种基于遗传算法和模糊聚类的文本分类方法.采用遗传算法初始聚类中心,并在适应度的计算中采用了一个可变值,用户可以在文本直接聚类时更改该值,产生用户满意的属性约简结果,极大地提高了系统的分类精度.最后通过实验给出了该算法性能的测试结果.     

基于遗传算法的高维数据模糊聚类

提出了一种基于遗传算法的高维数据模糊聚类方法。引入了一个模糊非相似矩阵来表示高维样本之间的非相似程度,并将高维样本初始化到二维平面。利用遗传算法进行迭代优化二维样本的坐标值,实现二维样本之间的欧氏距离向样本间的模糊非相似度的趋近,使高维样本映射到二维平面。最后将得到的最优的二维样本利用模糊C-均值聚类（FCM）算法聚类,克服了聚类有效性对高维样本空间分布的依赖。实验仿真表明利用该方法有较好的聚类效果,且比用FCM算法直接聚类收敛速度快。     

基于主动进化遗传算法的模糊聚类技术

为解决基于遗传算法的模糊聚类方法所存在的执行效率低的问题，将定向变异的思想引入到标准遗传算法领域，提出了一种基于主动进化遗传算法的模糊聚类技术，并将该技术应用到模糊聚类问题上．     

基于遗传算法和遗传模糊聚类的混合聚类算法

为了动态确定聚类数目C和该数目下的最优分类,构造出遗传算法和模糊遗传C均值聚类的混合聚类算法(HGA-FGCM),该方法构造了一个既考虑类与类之间的分散程度,又考虑同一类紧凑程度的目标评价函数;运用遗传算法的全局寻优能力,求得最佳聚类数下的最优聚类。     

基于遗传算法与FCSS相结合的模糊球壳聚类算法

模糊球壳聚类(FCSS)算法广泛地应用于模式识别与机器学习等领域。由于其采用基于梯度法和交替寻优策略,对初始化比较敏感,容易陷入局部极值点,从而影响聚类效果。将现代全局优化方法之一的遗传算法(GA)与FCSS算法相结合,得到一种新的球壳聚类算法GA-FCSS。数值实验表明:新方法对球壳形数据有令人满意的聚类效果。     

模糊聚类遗传算法在军事装备物流中心选址中的应用

在分析军事装备物流中心选址问题基础上,构建了模糊聚类和遗传算法的混合算法模型,核心技术是把模糊聚类网络模型融合到遗传算法种群构建中,可以有效地避免遗传算法易出现早熟的现象,验证了算法具有很好的鲁棒性和可信度,仿真结果能够为决策者科学正确的选址提供一定的参考.     

一种基于遗传算法的分布式的模糊聚类算法

模糊聚类是一种非监督的聚类算法,但不能保证找到全局最小值,因为是从一个给定的点开始通过迭代的方法找到一个目标函数的最小值。为了克服这个缺点,在模糊聚类算法中结合遗传算法从一个多点的概念去产生多个数据空间。直接将遗传算法应用到模糊聚类中是不合适的,因为数据集通常是巨大的,在这种情况下,染色体的长度会很长。鉴于此,提出了一种基于遗传算法的分布式的模糊聚类算法,将大的进化环境分成若干个小的进化环境。通过理论证明是可行的,且该算法能极大地提高聚类的速度。     

一种遗传模糊聚类算法及其应用

研究一种基于遗传算法的模糊聚类方法,即将遗传算法得到的聚类中心作为模糊C-均值（FCM）聚类算法初值,这样既可以克服FCM算法对初始中心敏感的缺点,也可以解决遗传算法只能找到近似解的问题。将算法用于通信信号的星座聚类,根据聚类有效性函数自适应地确定聚类中心,并完成信号类型的识别。仿真实验证明,当存在较小的定时误差时,算法对PSK和QAM信号仍然是有效的。     

基于遗传算法获取模糊规则

针对传统利用遗传算法(GA)直接获得的模糊规则所具有的局限性问题,提出了一种带有加权因子的模糊控制规则计算方法,并利用遗传算法对加权因子进行全局寻优,最终由最优加权因子计算生成模糊规则。该计算方法针对不同的模糊输入等级施加不同的加权因子,并能够利用加权因子的相关性与对称性完整地评估所有的模糊规则,减少无效规则对系统响应所造成的影响。性能对比实验表明,该模糊规则所构成的模糊控制系统在控制过程中超调量小,调节时间短,在模糊控制的应用中具有可行性;不同激励的仿真实验表明,该模糊规则所构成的模糊控制系统的控制效果不依赖于系统的激励信号,跟踪效果好,具有很强的鲁棒性。     

基于遗传算法和自组织特征映射网络的文本聚类方法

自组织映射(SOM)算法作为一种聚类和高维可视化的无监督学习算法,为进行中文Web文档聚类提供了有力的手段。但是SOM算法天然存在着对网络初始权值敏感的缺陷,从而影响聚类质量。为此,引进遗传算法对SOM网络加以优化。提出了以遗传算法优化SOM网络的文本聚类算法（GSTCA）;进行了对比实验,实验表明,改进后的算法GSTCA比SOM算法在Web中文文档聚类中具有更高的准确率,其F-measure值平均提高了14%,同时,实验还表明,GSTCA算法对网络初始权值是不敏感的,从而提高了算法的稳定性。     

基于遗传算法的模糊迭代学习控制算法

为了提高被控系统的控制精度及加快迭代域内的收敛速度,提出一种基于遗传算法的模糊PD型迭代学习控制算法。该算法通过模糊TSK模型设计迭代学习控制器,TSK模型中THEN部分的未知参数由遗传算法离线计算确定,进而产生合理的迭代学习律。针对被控系统,设计相应的迭代学习控制算法进行仿真分析,并与传统PD型迭代学习控制算法、模糊PID迭代学习控制算法相比较,进而将该算法用于双关节机械手进行仿真研究,仿真结果表明该算法的有效性。     

结合模糊聚类的遗传算法在网络信息过滤中的应用

在基于遗传算法的信息过滤系统中引入模糊聚类思想,对种群中的每个个体进行模糊相似矩阵直接聚类,然后根据聚类的结果采用所提出的适应度函数来评估种群的适应度,通过迭代训练得出更准确的用户兴趣模板,从而提高了信息过滤的准确率。并且将该方法应用到了所设计的网络信息过滤系统中,进行了验证。     

基于遗传算法和模糊C均值聚类的WSN分簇路由算法

针对无线传感器网络（WSN）的节点能量有限、生命周期短、吞吐量低等问题，提出一种基于遗传算法（GA）和模糊C均值（FCM）聚类的WSN分簇路由算法GAFCMCR，采取"集中分簇，分布簇头选举"的方式。网络初始化时基站采用由GA优化的FCM聚类算法形成网络分簇。第一轮簇头由距簇中心最近的节点担任；从第二轮开始，簇头的选举由上一轮的簇头负责，选举过程综合考虑候选节点的剩余能量、与基站的距离、与簇内其他节点的平均距离三个因子，并根据网络状态实时调整三个因子的权重。在数据传输阶段，将轮询机制引入簇内通信。仿真结果表明，相同网络环境下，与LEACH算法和基于K-Means的均匀分簇路由（KUCR）算法相比，GAFCMCR将网络生命周期延长了105%和20%。GAFCMCR成簇效果良好，具有良好的能量均衡性和更高的吞吐量。     

基于遗传FCM算法的文本聚类

本文提出基于遗传FCM算法的文本聚类方法,首先采用LSI方法对文本特征进行降维,然后通过聚类有效性分析得到文本的类别数,最后再采用遗传FCM算法对文本进行聚类,这种方法较好的克服了FCM算法收敛于局部最优的缺陷,很好的解决了FCM算法对初值敏感的问题。实验表明提出的方法具有较好的聚类性能。     

基于改进遗传算法的加权模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法具有初始聚类中心敏感和容易陷入局部最优的问题,提出了一种基于改进遗传算法(GA)的加权模糊c均值聚类算法,采用高斯变异算子,提高了遗传算法在每个峰值附近的局部搜索能力,用基于复相关系数的加权欧式距离代替欧式距离,改进了FCM算法的聚类目标函数.用改进的算法对国际标准测试数据Iris进行测试,实验结果表明改进后的算法具有更好的稳定性和健壮性,提高了聚类的效果.     

基于均匀设计的GEP算法研究与应用

提出了一种基于均匀设计的基因表达式编程算法(UGEP),该算法对经典的GEP算法做了以下改进：利用混合水平均匀表的构造对初始种群的产生进行改进,保证了解分布的均匀性;引入自适应多亲杂交算子,用均匀优化代替随机进化。从理论上分析并证明了UGEP更具有全局收敛性,且收敛速度也优于经典的GEP。试验结果也证明,在求解函数拟合和时间序列预测等实际问题时,对比同类算法,UGEP算法体现出了较大的优越性。     

改进的蚁群遗传优化算法及其应用

针对当前移动机器人的一些路径规划算法存在的局限性,提出了一种基于改进蚁群优化和遗传优化的融合算法。利用改进的信息素更新技术和路径节点选择技术使算法尽快找到优化路径,来形成融合算法的初始种群,机器人每前进一步,蚂蚁就对局部路径重新搜索,并处理随机出现的障碍物;然后利用遗传算法(GA)对种群个体进行全局优化,从而能使机器人沿一条全局优化的路径到达终点。仿真结果表明了该融合算法的可行性和有效性。