基于蚁群聚类算法的组合算法

基于信息熵的蚁群聚类算法是一种自组织聚类算法,具备健壮性、可视化等特点,并能生成一些新的有意义的聚类模式.基于信息素的K-means算法的K值和初始聚类中心是事先给定的,而往往两者的选择可以直接影响聚类的效果和速度(K-means算法的缺点之一).因此,在基于信息熵的蚁群聚类算法的基础上,结合基于信息素的K-means算法,提出了一种聚类组合算法.     

基于初始聚类中心优化和维间加权的改进K-means算法

针对K-means算法易受随机选择的初始聚类中心的影响和划分准确率不高的缺点,给出了一种改进的K-means算法。首先对初始聚类中心的选择过程进行了改进,然后对各样本点间差异最大的维进行加权处理。在Iris数据集上对原始算法和改进后的K-means算法的聚类结果进行对比分析。实验证明:改进后的算法稳定,且聚类的准确率达到了92%。     

一种改进的K-means算法

通过分析传统K-means算法难以确定聚类中心数目的问题,提出了一种改进的K-means聚类算法(CS-kmeans).该算法分析当聚类效果较好时最大类内距离与最小类间距离之间的关系,使用类内距离小于最小类间距离以及类间距离大于最大类内距离实现对类别数的自动分割与合并,从而确定适当的聚类数目.实验结果表示,文中改进后的算法相比传统K-means算法和其他改进算法,对于确定聚类中心数目、提高聚类质量是更为有效的.     

基于相关性加权的K-means算法

通过分析传统K-means聚类算法初始化随机和聚类结果难以体现对象间相关性的问题,提出了一种基于相关性加权改进的K-means算法.该算法通过引入能够反映对象间相关性程度的权衡因子皮尔逊相关性系数,利用经归一化后的相关性系数对欧式距离进行加权,对传统的K-means算法进行改进.实验结果表明:文中改进后的算法相比传统K-means算法和其它改进算法,在聚类质量上能获得更佳的聚类效果.     

改进K-means算法在声纹识别中的应用

在基于高斯混合模型（GMM）的声纹识别算法中,K-means聚类算法是GMM模型参数初始化常用的方法之一。传统K-means算法在聚类过程中采用几何距离进行分类,忽略了类中各矢量的分布不同对聚类结果的影响,常常得不到令人满意的识别结果。文中对传统K-means算法进行了改进,并将改进后的K-means算法与GMM结合应用到声纹识别系统中。实验结果表明,改进的K-means算法与传统的算法相比具有更好的识别效果。     

一种K-means改进算法的并行化实现与应用

随着数据的爆炸式增长,聚类研究作为大数据的核心问题之一,正面临计算复杂度高和计算能力不足等诸多问题。提出了一种基于Hadoop的分布式改进K-means算法,该算法通过引入Canopy算法初始化K-means算法的聚类中心,克服传统K-means算法因初始中心点的不确定性,易陷入局部最优解的问题。本算法在Canopy（罩盖）中完成K-means聚类,并在Canopy间完成簇的合并,聚类效果稳定,迭代次数少。同时,结合MapReduce分布式计算模型,给出改进后算法的并行化设计方法和策略,进一步通过改进相似度度量方法,将该方法用于文本聚类中。实验结果证明该算法具有良好的准确率和扩展性。     

突发公共卫生事件应急物资无接触式配送路径优化

为解决突发公共卫生事件下大批量应急物资配送问题，研究了“卡车-无人车”联合配送模式。针对多约束客户点聚类问题，设计了防止K值变动偶然性的改进K-means++聚类算法；根据紧迫度大的客户点优先配送的原则，提出2类客户点并行配送的无人车调度方案，构建以配送时间最短为目标的路径优化模型。结果表明：改进K-means++算法得到的聚类数量K更为稳定；相同聚类结果的情况下，改进多种群遗传算法迭代次数更少、最优解更佳；改进后的算法组合最优解远优于其他3种组合算法。     

改进K-means算法的MapReduce并行化研究

针对K-means在处理海量数据时,因初始聚类中心的选取不确定,从而导致收敛速度过慢的问题,本文提出了改进的K-means算法,首先用模糊聚类的思想对数据集进行模糊分类,其次采用动态计算聚类中心的方式对数据集进行二次分类,最后将算法在MapReduce模型上进行了实现.实验结果表明,改进后的算法不仅提高了加速比,而且算法的收敛速度更快.     

基于改进的潜在语义分析的文本聚类

文本聚类中不同文本表示方法获得的聚类效果不尽相同。引入潜在语义分析模型对文本进行表示,重新给出了针对潜在语义分析的特征权重计算方法,并提出了截断奇异值分解中K值的选取方法,达到了"词-文本"空间的降维去噪目的。鉴于K-means算法中初始聚类中心选取具有一定的随机性,应用相似性初始聚类中心选取方法确定了K-means的初始聚类中心,避免了随机选取聚类中心对聚类效果的影响。基于改进的潜在语义分析方法极大的降低了文本空间的维度,经实验证明改进后的方法在聚类问题中聚类效果显著。     

一种海量数据快速聚类算法

为满足海量数据处理要求,提出了一种基于网格的K-means快速聚类算法（SPGK）.设计基于网格质心的聚类簇个数选取算法,对数据进行网格划分得到每个网格的质心,将质心作为K-means聚类的样本点,从而减少K-means的欧氏距离计算次数.该算法基于Spark平台实现并行计算,进一步地提高了算法的运行效率.SPGK不但能够获得良好的聚类效果,而且缩减了欧氏距离计算次数,适用于海量数据的快速聚类.在千万级数据集上的实验结果表明,SPGK的性能明显优于现有的K-means++和基于K均值聚类的递归划分方法.     

基于遗传算法和模拟退火算法的混合算法

结合离散时间系统最优控制问题,提出一种新的混合算法.该算法是在遗传操作中嵌入模拟退火算子,有效地结合了遗传算法隐含并行与模拟退火算法全局寻优的特点,同时用罚函数方法处理约束条件,设计了专门的遗传操作算子,构造了相应的适应度函数,实现了离散时间系统的最优控制.实验结果表明,新算法既具有较快的收敛速度,又能够收敛到最优解.     

非线性Galerkin算法和Galerkin算法

给出了数值求解非线性发展方程的Ｇａｌｅｒｋｉｎ算法和非线性Ｇａｌｅｒｋｉｎ算法,其中空间变量用谱元法离散,时间变量用Ｅｕｉｅｒ显式格式离散。此外,我们分析了两种算法的有界性、稳定性和收敛精度估计。经过比较,在收敛精度相同的条件下,非线性Ｇａｌｅｒｋｉｎ算法具有稳定性能好,计算量少的优点     

对k均值算法和硬C-均值算法的对比分析

通过比较目标函数、聚类原型模式P(0)的初始化方法、划分矩阵U和聚类原型P的更新方法等4个方面,得出k均值算法和硬C-均值算法的区别。     

基于遗传算法的概率译码算法

为了改善纠错码译码算法的综合性能,基于遗传算法提出一种新颖的概率译码算法.利用未经量化的接收序列中的额外信息,通过遗传算法优化接收解调器的匹配滤波器输出达到弥补硬判决误差的目的,从而恢复出最似然传输码字.通过对概率译码的算法性能分析可知,该算法的译码过程几乎不受码元个数的影响,复杂度相对较低,且能实现快速优化译码. 仿真结果表明,该译码算法具有良好的译码纠错性能,是一种实用性强的译码算法.     

双向双步画线算法

本算法的主要思想是每计算一次确定4个象素，并且利用扫描线的连贯性，减少了图元输出时间。实践证实改进是非常有效的：对于斜率的绝对值小于1的线段，本算法效率大约是经典画线算法的5倍，对于斜率的绝对值大于1的线段，本算法效率是经典画线算法的一倍多。     

基于蚁群算法的改进遗传算法

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率低。根据这一缺陷提出一种将蚁群算法融合到遗传算法的新策略：为了弥补遗传算法中的变异算子变异过程中的盲目无原则性,将蚁群算法的正反馈思想引入到遗传算法中。利用蚁群算法信息素更新原则指导变异规则,有效地提高了算法的寻优效率,优化了解的质量。为了验证算法的有效性,对TSPLIB库中的两个公共实际事例eil51和gr202以及安徽省17个城市的数据进行了仿真实验,结果表明改进后的算法是有效的。     

基于遗传算法的背景提取算法

针对视频图像处理中传统背景提取算法在时间复杂度和空间复杂度兼顾性能较差的缺点,提出一种基于遗传算法的背景重构算法.即在假设背景以最大概率出现在图像序列中的前提下,选择出现频率最高的图像作为背景图像.算法通过将图像分割成子图像,并将子图像参数化再进行统计,达到减低时间复杂度和空间复杂度的目的.仿真结果表明：在运动目标有较长的暂时停顿的情况下,该算法进行实时背景重构具有明显的优点;该算法能够准确地重构背景,并有效地避免混合现象,与直方图法相比,在不增加时间复杂度的情况下,空间复杂度可以减低到约1/50.     

一种基于遗传算法的立体匹配方法

立体匹配问题是被动视觉研究中最关键的问题之一。本文定义了描述立体匹配问题的染色体表示,设计了相应的适应度函数,并按照立体匹配中相应的约束条件,将遗传算法应用于该问题中。实验证明该算法具有较强的适应性和稳定性。     

算法接口与算法调用实践

某种数据结构的复杂运算的算法,可以通过这种数据结构基本运算的算法组合而成,而在算法调用的时修,我们关心和注意的是算法接口,本文以PASCAL语言作为算法描述语言,全面分析了算法接口,也给出了在数据结构算法实践教学指导方面的一点建议。