基于混沌和动态变异蛙跳的模糊聚类算法

针对模糊C-均值FCM(Fuzzy C-Means)聚类算法易陷入局部最优解,对初始值敏感的缺点。提出基于混沌和动态变异蛙跳SFLA(shuffled frog leaping algorithm)的FCM算法。该算法先用混沌的Tent序列初始化青蛙群体以增强群体的多样性,提高初始解的质量;并根据青蛙的适应度方差值选择相应的变异概率。再将改进后的蛙跳算法优化FCM算法,最后求取全局最优。人工数据及经典数据集的仿真结果表明,该算法(CMSFLA-FCM)与SMSFLA-FCM、SFLA-FCM和FCM聚类算法相比,寻优能力更强,聚类效果更优。     

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。     

基于信息熵的FCM聚类算法

针对模糊聚类存在的数据收缩问题的不足,提出了一种改进现有模糊聚类算法的方法,并进行仿真实验研究.模糊C-均值(FCM)算法主要通过目标函数的迭代优化来实现集合划分,以信息熵作为模糊C-均值算法的约束条件,给出改进算法的推导过程,得出改进后的模糊C-均值算法的隶属度和聚类中心,实现了模糊C-均值的改进算法.实验结果可以表明,改进的模糊C-均值算法是有效的,能够表现出比模糊C-均值算法更好的性能,在实际应用中可以取得较好的聚类效果.     

点密度加权FCM算法的聚类有效性研究

模糊C-均值(FCM)算法是一种非监督的模式识别方法。由于该算法具有对数据集进行等划分的趋势,影响其聚类精度。利用数据点的密度大小作为权值,借助数据本身的分布特性,提出了一种点密度加权模糊C-均值算法。该方法不仅在一定程度上克服了FCM算法的缺陷,而且具有良好的收敛性。当以聚类已知的少量数据点作为监督信息指导聚类,聚类效果进一步改善。并用聚类有效性函数对算法的聚类有效性进行了评价,从而为算法的聚类性能提供了理论依据。     

带有选择和自适应变异机制的混合蛙跳算法

混合蛙跳算法易陷入局部最优,且收敛速度较慢。为此,提出一种带有选择和自适应变异机制的蛙跳算法。引入线性递减的动态惯性权重修正最差青蛙,按照一定的概率选择适应度值较优的青蛙代替较差青蛙,并对每只青蛙个体以不同概率进行自适应变异。仿真结果表明,该算法可以平衡全局搜索和局部搜索,寻优能力强、迭代次数少,解的精度较高,更适合高维复杂函数的优化。     

基于Boltzmann选择的改进ABFM算法

模糊C-均值（FCM）聚类算法是数据挖掘中应用广泛的一种方法,但还存在容易陷入局部极小值和对初始值敏感的缺点,为此提出了一种基于Boltzmann选择机制的改进人工蜂群的模糊C-均值聚类算法（BABFM）。该算法引入了Boltzmann选择机制代替轮盘赌的选择方式,采用小区间生成法使初始群体均匀化,使得该算法的全局寻优能力更强,有效克服了FCM算法的缺点。实验结果表明,新算法与FCM和ABFM聚类算法相比聚类效果更准确,效率更高,迭代次数更少。     

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。     

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。     

基于FCM聚类的奖学金评定方法

传统的奖学金评定方法是按照学生总成绩的高低作为评定依据.把一个多因数的问题简单化,使它成为一个单一的问题来处理.这种方法显然不合理.针对这个问题.采用基于模糊划分的模糊C-均值方法.对学生进行奖学金评定.为评审人员提供了一种比较科学、公正的评审方法.     

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。     

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.     

协同进化混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度低且易陷入局部最优的问题,提出了一种新的协同进化混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新引入平均值的同时充分利用最优个体的优秀基因,可有效扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙采取交互学习策略向邻近子群的最优个体交流学习,增加子群间交互的频繁性,提高信息共享程度,有利于进化。在全局迭代过程中采取精英群自学习进化机制,以对精英空间进行精细搜索,获得更优解,进一步提升算法的全局寻优能力,正确导向算法的进化。实验结果表明,所提算法在七个测试函数中均能收敛到最优解0,成功率为100%,优于其他对比算法。所提算法可有效避免陷入早熟收敛,极大地提高了算法的收敛速度和优化精度。     

基于混合蛙跳算法的高维生物医学数据特征选择方法

针对高维生物医学数据包含大量无关或弱相关特征,影响疾病诊断效率的现状,提出了一种基于改进混合蛙跳算法的高维生物医学数据特征选择方法。该方法将混沌记忆权重因子和平衡分组策略引入基本混合蛙跳算法,在强化算法多样性的同时,维持了算法全局和局部寻优之间的平衡,降低了算法陷入局部最优的可能,进一步提高了混合蛙跳算法特征选择方法在特征空间的探索能力。实验结果表明:与改进遗传算法、粒子群优化算法特征选择方法比较,改进混合蛙跳算法特征选择方法在高维生物医学数据特征子集识别、分类精度方面取得了更好的效果。     

一种基于选择策略的差分混合蛙跳算法

设计了一种选择差分混合蛙跳算法SDSFLA,该算法通过增加组内个体更新个数提高了种群更新效率;通过引入差分进化算法的交叉算子和变异算子,加强了个体之间的信息交流;使用多种更新策略,提高了实验个体产生的成功率;随机选择控制参数,增加了种群的多样性。基于16个基准测试函数,将SDSFLA与一种改进的蛙跳算法、两种改进的差分进化算法进行对比,实验结果证实了SDSFLA算法的有效性和稳定性。     

自适应混沌变异蛙跳算法*

研究蛙跳算法的寻优性能,主要在基本蛙跳算法的全局搜索过程中加入自适应混沌变异操作, 提出一种改进蛙跳算法。改进后的算法采用Logistic混沌序列构造混沌变异算子, 同时结合个体适应度和进化代数自适应调整变异尺度, 从而增强蛙跳算法搜索最优解的能力。仿真实验结果表明, 改进后的算法寻优精度和收敛速度得到了有效提高, 具有较好的实用性能。     

SFLA-FCM聚类算法在化工过程中的应用

针对化工生产过程的安全性问题,提出基于混合蛙跳(shuffled frog leaping algorithm,SFLA)的FCM聚类算法。该算法引入寻优能力强的SFLA求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效避免了F C M算法易陷入局部最优和对初始值敏感的缺点。将该算法用于化工生产状态数据的聚类分析,实验结果表明,本文算法与F C M聚类算法相比,提高了算法的寻优能力,聚类效果更好;并且能够快速、客观地对化工生产过程的状态进行判别,为其安全运行提供了保障。     

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。     

求解复杂函数优化问题的混合蛙跳算法*

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、收敛速度慢的缺点,提出了一种改进的混合蛙跳算法。该算法把生物学中的吸引排斥思想引入到混合蛙跳算法中,修正了其更新策略,从而维持了子群的多样性。实验仿真结果表明,改进的混合蛙跳算法提高了算法的收敛速度,有效地避免了SFLA的早熟收敛问题,从而改善了对复杂问题的搜索效率,数值实验结果验证了算法的有效性和鲁棒性。     

混合蛙跳算法研究综述

针对混合蛙跳算法(SFLA)是一种结合了基于遗传基因的模因演算算法和基于群体觅食行为的粒子群优化算法的亚启发式协同搜索群智能算法,系统地介绍了SFLA的基本原理和算法流程,讨论了SFLA的研究进展和应用现状,并指出了SFLA的发展趋势和下一步的研究方向.