一种基于改进混合蛙跳的聚类算法

聚类分析是一种无监督的模式识别方式,它是数据挖掘中的重要技术之一。给出了一种基于改进混合蛙跳算法的聚类分析方法,该方法结合了K—均值算法和改进混合蛙跳算法各自的优点,引入了K—均值操作,再用改进混合蛙跳算法进行优化,很大程度上提高了该算法的局部搜索能力和收敛速度。通过仿真对基于改进混合蛙跳的聚类方法与其他已有的聚类方法进行了比较,验证了所提出算法的优越性。     

一种改进的混合蛙跳和K均值结合的聚类算法

针对K均值聚类算法存在的对初始值敏感且容易陷入局部最优的缺点,提出一种改进的混合蛙跳算法（SFLA）和K均值相结合的聚类算法。该算法通过混沌搜索优化初始解,变异操作生成新个体,在更新青蛙位置时,设计了一种新的搜索策略,提高了算法寻优能力;根据青蛙群体的适应度方差来确定K均值算法的操作时机,抑制早熟收敛。实验结果表明,改进的算法提高了聚类精度,在全局寻优能力和收敛速度方面具有优势。     

一种改进的混合蛙跳和K均值结合的聚类算法

传统K均值聚类(KMC)算法过分依赖初始值的设置,容易陷入局部最优;混合蛙跳算法(SFLA)存在收敛速度和搜索速度较慢、局部和全局信息交流不全面等缺点。针对以上缺点,首先提出一种改进的混合蛙跳算法(MSFLA)。该算法根据粒子群优化和差分进化思想,在青蛙个体变异时,引入上一次移动距离的权重惯性系数和缩放因子,从种群中的最优位置和历史最优位置之间的随机点出发,以子群内的青蛙的平均值和最差位置差值为步长进行青蛙个体的更新操作。再将MSFLA与KMC算法结合提出MSFLA-KMC算法,有效地克服了KMC算法过分依赖初始值设置问题,同时降低了KMC算法陷入局部最优的可能性。实验结果表明,MSFLA具有较强的寻优能力,MSFLA-KMC算法则具有更好的聚类性能。     

基于蛙跳思想的改进聚类模式识别算法

目前武器装备保障维护的经验性强而科学性、智能化弱,开展智能模式识别研究有助于提高部队的维护排故能力。分析了K-均值聚类算法和混合蛙跳算法的特点,找出了二者的相似之处,针对前者对初始聚类中心的选取敏感和聚类过程中聚类中心数目不能动态调整的缺点作了相应的改进,为使二者能有机融合,对后者进行了一定的修改后用于优化改进的K-均值聚类算法。通过对某型空气压缩机车柴油机燃油系统状态技术参数样本进行仿真实验,证明了该方法能够正确聚类,且算法较优。     

改进混合蛙跳算法和K-Means的新型聚类算法

研究针对现有聚类算法存在着精度较低,易陷于局部最优等问题,提出一种改进的混合蛙跳算法和K-Means相结合的新型聚类算法ISFLA-K,该算法使用对立学习的思想产生初始种群,根据蛙自身具有认知能力和学习能力的特性对混合蛙跳算法的蛙跳规则进行改进,即形成ISFLA,最后使用ISFLA优化K-Means聚类算法,提高求解精度。实验结果表明, ISFLA-K具有很好的聚类性能,求解精度高。     

一种基于改进混合蛙跳的KFCM算法

针对核模糊C-均值（KFCM）聚类算法存在易陷入局部极小值,对初始值敏感的缺点。将混合蛙跳算法（shuffled frog leaping algorithm,SFLA）用于KFCM中,但在聚类数较大和维数较高时,聚类效果不理想,为此提出将自适应惯性权重引入混合蛙跳算法的更新策略中,再用改进后的混合蛙跳算法求得最优解作为KFCM算法的初始聚类中心,利用KFCM算法优化初始聚类中心,求得全局最优解,从而有效克服了KFCM算法的缺点。人造数据和经典数据集的实验结果表明,新算法与KFCM和FCM聚类算法相比,寻优能力更强,迭代次数更少,聚类效果更好。     

融合粒子群和混合蛙跳的模糊C-均值算法

针对模糊聚类算法中存在的对初始值敏感、易陷入局部最优等问题,提出了一种融合粒子群算法和混合蛙跳算法的模糊C-均值聚算法。通过设计了一种新颖的搜索粒度系数,充分利用粒子群算法收敛速度快、局部搜索能力强的优点与混合蛙跳算法全局寻优能力强、跳出局部最优能力好的特点,同时对SFLA中更新算法进行了改进。实验结果表明,该算法提高了模糊聚类算法的搜索能力和聚类效果,在全局寻优能力、跳出局部最优能力、收敛速度等方面具有优势。     

免疫规划＋K均值混合聚类算法

1.引言聚类分析(Clustering Analysis)是一种无监督的模式识别方法。聚类产生的每一组数据称为一个簇,簇中的每一数据称为一个对象。聚类的目的是使同一簇中对象的特性尽可能地相似,而不同簇对象间的特性差异尽可能地大。聚类的任务是把一个未标记的模式按某种准则划分成若干子集,要求相似的样本尽量归为同一类,而不相似的样本归为不同的类,故又称无监督分类。目前,各种聚类方法已广泛应用于数据挖     

一种混合均值聚类算法的实现

从K-Means聚类算法和FCM算法混合运行的角度来探讨聚类问题,针对FCM算法初始化隶属度矩阵的随机性问题,提出了一种混合均值聚类算法。在混合算法运行过程中,利用前者的聚类结果信息来初始化后者的初始中心,依此来计算FCM算法初始隶属度矩阵,通过FCM算法的运行,最终实现数据集的聚类目的。实验结果表明该混合均值算法比单纯使用FCM算法效果好。     

基于人工免疫系统的克隆-K均值算法

提出了一种用于聚类分析的克隆-K均值算法.基于人工免疫系统的克隆选择算法具有全局搜索能力强,收敛于全局最优解的特点.基于以上优点,在克隆选择算法中引入K-均值算子,对种群中的个体在克隆、变异操作后进行K-均值运算.通过对初始种群的形成、克隆操作、变异操作、替代操作和K-均值操作等过程的描述,提出了完整的克隆-K均值算法.实验研究表明,算法成功解决了K-均值算法对初始值敏感且容易陷入局部最优的缺点,算法明显优于传统的K-均值聚类算法.     

Reactive power and voltage control based on general quantum genetic algorithms

This paper presents an improved evolutionary algorithm based on quantum computing for optimal steady-state performance of power systems. However, the proposed general quantum genetic algorithm (GQ-GA) can be applied in various combinatorial optimization problems. In this study the GQ-GA determines the optimal settings of control variables, such as generator voltages, transformer taps and shunt VAR compensation devices for optimal reactive power and voltage control of IEEE 30-bus and 118-bus systems. The results of GQ-GA are compared with those given by the state-of-the-art evolutionary computational techniques such as enhanced GA, multi-objective evolutionary algorithm and particle swarm optimization algorithms, as well as the classical primal-dual interior-point optimal power flow algorithm. The comparison demonstrates the ability of the GQ-GA in reaching more optimal solutions.     

基于改进K-均值聚类算法的背景提取方法

背景提取是运动目标检测中重要而基础的一个环节.分析了一般静态背景提取算法的原理和缺陷,提出了一种新颖的基于改进K-均值聚类算法的背景提取方法,给出了动态三元组(DTDG)的概念,并且对每个像素用3个动态三元组进行建模,实现了原始背景的提取.实验验证了所提方案的有效性.     

Recursive partitioning clustering tree algorithm

Clustering analysis elicits the natural groupings of a dataset without requiring information about the sample class and has been widely used in various fields. Although numerous clustering algorithms have been proposed and proven to perform reasonably well, no consensus exists about which one performs best in real situations. In this study, we propose a nonparametric clustering method based on recursive binary partitioning that was implemented in a classification and regression tree model. The proposed clustering algorithm has two key advantages: (1) users do not have to specify any parameters before running it; (2) the final clustering result is represented by a set of if–then rules, thereby facilitating analysis of the clustering results. Experiments with the simulations and real datasets demonstrate the effectiveness and usefulness of the proposed algorithm.     

基于可变染色体长度的遗传K均值聚类算法

针对传统K-均值聚类算法需要事先确定聚类数,以及对初始质心的选择具有敏感性,从而容易陷入局部极值点的缺点,使用了一种基于可变染色体编码长度的遗传算法对传统K-均值聚类进行改进.该算法可以在事先不确定K值的情况下,通过多次的选择、交叉.变异的遗传操作,最终得到最优的聚类数,以及最优的初始质心集.通过Reuters数据集的实验结果表明,基于该算法的聚类划分结果明显优于传统K-均值聚类算法,并且好过基于固定染色体编码长度遗传算法的K-均值聚类算法.     

基于磁阀式可控电抗器的无功控制系统

为了改善电网无功功率不平衡导致的电网电压巨大波动、功率因数低落等问题,设计了一种基于磁阀式可控电抗器的无功控制系统。该系统采用多变量控制策略,通过控制电抗器的输出感性无功,实现功率因数控制、母线无功功率和母线电压的连续调整。试验结果表明,多变量控制策略能有效应用于系统目标参数控制,达到了预期的效果。     

一种基于电压岛的DVFS控制算法

提出一种基于岛间队列特征的动态电压频率缩放控制算法,使用岛间队列增长率和使用率来实现电压岛工作电压/频率的动态控制.该算法引入岛间队列增长率实现了简单高效的负载预测,提高了片上通信稳定性.仿真分析表明,该算法能够更好地节能降耗.     

基于伪差分扰动的混合蛙跳算法研究

为了充分发掘混合蛙跳算法求解复杂优化问题的能力,提出了一种新颖的改进混合蛙跳算法.改进算法借鉴粒子群优化算法的速度更新方式,通过族群中随机个体、最优个体和最差个体间的位置关系来确定最差个体的更新步长;借鉴差分进化思想,通过伪差分变异产生虚拟个体来更新最差个体,以提高种群开拓能力.通过对四个典型测试函数的仿真实验表明,相比其他几种改进算法,改进算法以100％的概率找到了某些函数的理论最优值,寻优效果更好,收敛成功率更高.     

一种改进的基于密度的聚类算法

基于密度的聚类是聚类算法中的一种,其主要优点是可以发现任意形状的簇,但处理大数据集时效果不佳,为此提出了一种改进的算法M-DBSCAN,保留了基于密度聚类算法的优点,同时克服了以往算法不能处理大数据集的缺点。实验结果证明,M-DBSCAN聚类算法在聚类质量及速度上都比原DBSCAN有较大提高。     

基于改进遗传算法的电力系统无功优化的研究

电力系统无功优化问题是一个多变量、多约束的混合非线性规划问题,其操作变量既有连续变量又有离散变量,其优化过程比较复杂。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应的全局优化搜索算法,可用于解决含有离散变量的复杂优化问题。本文选用遗传算法求解电力系统无功优化问题,并对基本遗传算法的编码、初始种群、适应度函数和交叉、变异策略等进行改进,使用本文提出的改进算法对IEEE1 4节点进行无功优化计算,结果证明本文模型和算法的实用性、可靠性和优越性。