一种改进的粒子群和K均值混合聚类算法

该文针对K均值聚类算法存在的缺点,提出一种改进的粒子群优化(PSO)和K均值混合聚类算法。该算法在运行过程中通过引入小概率随机变异操作增强种群的多样性,提高了混合聚类算法全局搜索能力,并根据群体适应度方差来确定K均值算法操作时机,增强算法局部精确搜索能力的同时缩短了收敛时间。将此算法与K均值聚类算法、基于PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和收敛速度都有显著提高。     

一种改进的粒子群优化算法

粒子群优化算法(PSO)是一种群体智能进化计算方法,但在搜索过程中粒子紧跟最优粒子运动降低了粒子多样性和全局搜索能力,从而易陷入局部极值.本文提出一种新的粒子群优化算法(PSO-EWD),主要改进体现在2个方面:将惯性权重与进化因子相关联,根据种群的进化状态而改变权重大小,以平衡全局搜索能力与局部搜索能力;将时变的分布式时延引入速度更新公式中,以增加粒子的多样性.本文通过5种算法在9个基准函数上的实验对比,证明了新提出的算法相较于另外4种算法具有更优的适应度值、稳定性和收敛速度.     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

具有异构分簇的粒子群优化算法研究

 粒子群优化(Particle Swarm Optimization,PSO)算法在复杂多峰函数可行域空间搜索时极易陷入局部极值点.研究表明改变种群拓扑结构和调整算法参数有助于改善种群的多样性,但是目前研究中少有同时考虑种群全局拓扑结构和局部粒子个体能力.本文提出一种具有异构分簇特性的自适应PSO算法.该算法采用K-均值聚类算法对种群进行动态分簇,形成多异构子群,并采用Ring型拓扑结构进行子群间信息流通.而后采用基于寻解水平评价的粒子自适应参数调整策略进行个体调整.通过实验分析表明该算法能够提高粒子群优化的种群的多样性、粒子活性、搜索能力和收敛性能,同时也降低了算法对参数初值的依赖性.     

基于正弦调整的粒子群算法应用于换热网络

粒子群算法在优化换热网络综合问题后期,通常陷入局部极值而无法寻到全局最优解。通过对粒子群算法中的种群大小、迭代步数、最大速度、惯性权重4个参数的正交试验,得出了惯性权重是平衡算法局部搜索和全局搜索能力的一个重要因素。在综合分析标准PSO算法速度进化方程的基础上,提出了一种按正弦变化惯性权重的PSO算法,并利用标准测试函数验证了算法的性能。通过典型算例证明改进后的PSO对换热网络综合问题的有效性。     

利用改进差分进化算法的油田地层参数反演

现代油藏参数反演中遇到的复杂方程和定解条件使得参数的反演问题高度非线性,存在多局部极值.文章提出了用于油藏参数反演全局优化的改进差分进化算法(MDE),利用DE算法在一定进化代数后出现的种群聚类特性,将种群识别为不同的聚类区域,然后以每个聚类的中心为起始点,利用基于梯度的局部搜索算法可以快速找到该聚类区域的最小极值.算法可以避免在搜索过的聚类区域中出现重复搜索,有效地缩小了搜索空间、提高了种群的多样性,防止出现早熟现象.该改进算法应用于油田地层参数反演,对求压力数据的正问题采用数值解析方法得到,并对选定压力分析段曲线进行最小二乘拟合的实验结果表明,该方法迭代次数较少,收敛精度高.     

基于粒子群优化的反潜搜索研究

在分析目前反潜搜索现状的前提下,提出了使用粒子群优化算法进行反潜搜索,并针对基本粒子群优化算法存在早熟和后期收敛速度慢的局限性,对个体极值实行高斯变异,并使惯性因子随进化代数自适应调节,提高了全局搜索能力和后期收敛速度,改进了粒子群优化算法的潜艇搜索策略.经过实验验证,本算法可以有效地提高反潜搜索效率.     

基于改进PSO粒子群及K-Means聚类算法的物联网数据挖掘查全优化研究

大数据云计算环境下的物联网数据挖掘与分析,是企业大数据项集采集、数据样本挖掘与统计分析关注的重要方向之一。通过基于云计算Hadoop分布式软件服务架构,建构起改进粒子群(Particle Swarm Optimization, PSO)优化算法、K-Means聚类挖掘算法,设置自调节惯性权重、云变异算子进行不同类别物联网数据提取、全局搜索、极值追踪与更新,构造聚类函数完成不同数据项集的聚类分析,进而解决海量物联网数据的挖掘与计算问题、保证自适应聚类数组的采样查全准确率。     

种群熵启动反向学习的动态多种群粒子群算法

针对传统粒子群优化算法在求解复杂优化问题时容易陷入局部最优和停滞的问题,提出采用种群熵启动反向学习的动态多种群粒子群算法。借鉴狮群算法划分狮群的思想,采用动态多种群划分策略,将粒子划分成3个不同行为子群,对其实施不同的位置更新公式,保持粒子在搜索过程中的多样性;在迭代阶段,为避免算法早熟,构建了各维重心反向变异策略丰富变异备选个体,并结合种群熵指标进行种群状态评价适时启动变异策略,帮助粒子跳出局部最优。最后,通过8个基准测试函数与同种类6种经典和新型改进算法,在不同维度下进行测试对比。数值实验结果表明,改进策略显著提升了粒子群算法搜索能力,在搜索精度和搜索速度方面均优于其他对比算法。     

基于单纯形法的量子粒子群优化算法

针对粒子群优化算法容易陷入局部极值点,进化后期收敛慢和优化精度较差等缺点,提出了将单纯形搜索法与量子粒子群算法混合的改进算法,更好的平衡了全局搜索和局部搜索能力.仿真结果表明,该算法效率高、优化性能好,其性能远远优于一般的粒子群算法与量子粒子群算法.     

精英免疫克隆选择的协同进化粒子群算法

提出一种精英免疫克隆选择的协同进化粒子群算法（Elite immune clonal selection co-evolutionary particle swarm optimization,EICS-CPSO）.算法借鉴了协同进化思想和精英策略,基于精英种群与普通群体并行协同进化框架.高适应度的精英个体组成精英团体,运用自适应小波变异的免疫克隆选择算子对精英团体进行提升引导操作.普通种群间个体极值采用柯西交互学习机制提高微粒个体极值收敛性能;迁移操作进一步推进了整体信息共享与协同进化.实验结果表明该算法收敛精度快且全局搜索能力强,且具有较好的动态优化性能.实验分析表明该算法对参数不敏感,易于使用.     

一种基于CSA的模糊聚类新算法

在聚类分析中,模糊k均值算法是目前应用最为广泛的方法之一,然而该算法对初始化敏感,容易陷入局部极值点。为此,该文提出一种基于克隆选择的模糊聚类新算法以实现全局优化处理。在新算法中,由于克隆算子能够将进化搜索与随机搜索、全局搜索和局部搜索相结合,因而通过对候选解进行克隆算子操作,能够快速得到全局最优解。用人造数据和IRIS实际数据所做测试结果表明了新算法的有效性。     

基于量子粒子群模糊C均值聚类算法应用研究

模糊C均值聚类对初始参数有着较强的依赖性,文中针对其对初始聚类中心敏感的问题,提出利用量子粒子群来优化FCM的初始聚类中心。粒子群优化算法具有较强的全局搜索能力,但局部搜索能力不足,因此借助于量子理论,将粒子群量子化,借助量子旋转门改变粒子的移动,同时利用量子非门增加种群的多样性,加强粒子群优化算法的局部寻优能力。并最终利用量子粒子群优化算法搜寻FCM算法的初始聚类中心,通过实验仿真表明,改进的算法在加快搜索速度的同时,能获得较为稳定的聚类中心且分割效果明显优于标准的FCM算法。     

一类改进的类电磁机制算法

针对一种新的启发式全局优化算法类电磁机制算法,提出了一类改进的类电磁机制算法,改进了算法中局部搜索方法,搜索得到的初始种群更适宜于进化;对力的计算方法做了改进,使算法收敛速度加快;改进了粒子的更新过程,使得算法在进化后期能更有效地收敛到全局最优解.实验表明,与原算法相比,新算法性能更好、应用范围更广泛.     

一种基于进化模型的聚类算法

对于模糊聚类算法对初值或者隶属度矩阵敏感,不能保证收敛到全局最优解的问题,文中提出了一种新的进化聚类算法遗传模拟退火聚类算法SAGA-FCM。利用模拟退火算法较强的局部搜索能力和遗传算法较强的全局搜索能力,以避免模糊聚类算法收敛到局部极值或鞍点。实验对不同的人工数据集进行测试,结果分析表明SAGA-FCM算法有比较好的收敛值和收敛速率,具有良好的聚类效果。     

基于粒子群算法的码书设计研究

由于应用基本粒子群进行码书设计时容易出现陷入局部最优解的问题,故引进模拟退火算法对全局极值的更新条件做了改进,提出了一种新的码书设计方法.改进算法的全局极值更新条件采用了随机概率扰动接受的方式,既接收优化解,也可以接受恶化解,从而增加全局最优区域的搜索能力,避免了粒子过早的"趋同性".采用提出的码书设计方法进行于语音矢量量化表明新提出的算法所重构的语音无论是从清晰度、自然度还是理解性上都要好于基本粒子群算法所重构的语音.增大全局搜索范围.     

一种自适应惯性权重的粒子群优化算法

为较好平衡粒子群算法中全局搜索能力与局部搜索能力,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度的关系,并把粒子惯性权重定义为这三者的函数.通过在每次迭代后更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

基于K-Means变异算子的混合PSO算法聚类研究

提出了基于K-Means算子的混合粒子群优化算法聚类,将K-Means算法的局部搜索能力与粒子群优化算法的全局寻优搜索能力相结合,根据群体适应度变化的情况自适应调整权重,并对种群中性能较差的粒子进行交叉选择,能充分挖掘群体本身信息,又能不断引入附加信息.数据集仿真实验表明,该算法有效的克服了传统粒子群优化算法过慢收敛和K-Means算法陷入局部收敛的问题,从而得到更好的聚类效果.     

分数阶粒子群的模糊聚类图像分割算法研究

针对模糊C-均值聚类算法易受初始聚类中心的影响而陷入局部极值的缺陷,提出基于分数阶粒子群的模糊聚类图像分割算法。利用分数阶微积分容易跳出局部极值的固有优势,将其引入粒子群的速度、位置更新进程,同时改进分数阶阶次的自适应调整机制并引入步长控制因子。实验结果表明,该算法与传统算法相比,具有更高的分割精度与更快的收敛速度。     

改进蝴蝶算法求解多维复杂函数优化问题

针对蝴蝶优化算法存在的问题,提出一种融合差分变异策略并根据进化代数自适应调整权重的蝴蝶优化算法.首先,在全局搜索阶段引入非线性惯性权重改善蝴蝶位置更新公式,自适应调节算法在不同进化时期的搜索范围和粒度,提高算法的收敛速度与寻优精度;然后通过加入F分布全局自适应随机变异对全局公式进一步改进,提升算法的全局探索遍历性,防止出现低精度早熟现象;最后在局部搜索阶段融入具有判定系数和扰动因子的双向差分变异策略,在不减损种群多样性的同时使蝴蝶个体的探索更具方向性,有利于算法摆脱局部极值点,加快收敛速度.理论分析证明了改进算法的时间复杂度与基本蝴蝶优化算法一致,6种代表性对比算法在CEC 2017基准函数上进行的多种维度测试结果表明,改进算法在求解高维复杂函数优化问题时收敛速度和寻优精度明显优于其它对比算法,维度变化对求解性能的影响更小,寻优性能更好更稳定.