基于改进鱼群和K-means的混合聚类算法

针对传统K-means算法存在的缺陷,引进人工鱼群算法,提出了一种基于改进鱼群和K-means的混合聚类算法。聚类样本中心点初始化时,人工鱼各维参数随机选择在对应属性两个极值之间,同时为了降低计算复杂度,提高收敛效率,寻找全局最优,首先对随机选取的一小部分人工鱼进行K-means操作,然后对全体人工鱼的追尾算子引入粒子群策略,引导其学习,模拟人工鱼的行为。通过Matlab仿真实现算法,在费雪鸢尾花卉数据集和葡萄酒质量数据集进行了实验,算法的有效性和可行性得到了验证。     

基于人工鱼群算法的聚类挖掘

聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同种类.目前聚类分析算法普遍存在对初始参数敏感,难以找到最优聚类以及聚类有效性等问题.人工鱼群算法作为一种新型仿生优化算法,具有良好的克服局部极值和获得全局极值的能力.引入聚类数学模型,结合现有人工鱼群算法的特点和聚类算法理论,通过模拟鱼群的智能行为进行聚类分析,提出了一种基于人工鱼群算法的聚类挖掘方法.对空间数据的实验和蚁群算法的对比研究表明,该算法具有良好的聚类效果.     

一种结合人工蜂群和K-均值的混合聚类算法

传统的K-均值聚类算法虽然收敛速度快,但由于过度依赖初始聚类中心,算法的鲁棒性较差。为此,提出了一种改进人工蜂群算法与K-均值相结合的混合聚类方法,将改进人工蜂群算法能调节全局寻优能力与局部寻优能力的优点与K-均值算法收敛速度快的优点相结合,来提高算法的鲁棒性。实验表明,该算法不仅克服了传统K-均值聚类算法稳定性差的缺点,而且聚类效果也有了明显改善。     

K-Means聚类算法和人工鱼群算法应用于图像分割技术

提出一种基于K-Means聚类的人工鱼群算法, 该算法利用人工鱼群算法鲁棒性较强且不易陷入局部最优值的特点, 动态的确定了聚类的数目和中心, 解决了K-Means聚类初始点选择不稳定的缺陷, 在此两种算法融合的基础上进行图像分割处理, 经试验证明该算法效果理想.     

基于改进量子旋转门人工鱼群算法的K-means聚类算法及其应用

为改进传统K-means聚类算法中存在因随机选择初始质心而导致聚类结果不稳定且准确度低的缺点,提出基于改进量子旋转门人工鱼群算法的K-means聚类(IQAFSA)算法,通过动态更新量子旋转门的旋转角提高下一代更新方向准确度及更新速度。变异策略从传统的非门改为H门,既增加种群的多样性,又使全局搜索能力增强;最终使用所改进算法选取K-means的初始质心再进行聚类。通过UCI数据的测试以及在医学相关数据上的实验表明,提出的算法具有有效性,准确度较高且收敛速度较快。     

基于人工鱼群的优化K-means聚类算法

针对K-means算法全局搜索能力不足,提出基于人工鱼群的优化K-means聚类算法(AFS-KM),该算法克服了Kmeans聚类算法对初始聚类中心选择的敏感问题,能够获得全局最优的聚类划分。在聚类过程中,采用一种基于信息增益的属性加权的实体之间距离计算方法进行聚类划分时,对于球形数据和椭球形数据都能够获得理想的聚类划分结果。对KDD-99数据集的仿真实验结果表明,该算法在网络入侵检测时获得了理想的检测率和误报率。     

一种基于人工鱼群和文化算法的新型混合全局优化算法*

提出一种基于人工鱼群和文化算法的新型混合全局优化算法,该混合算法的思想是将人工鱼群嵌入文化算法框架中,作为种群空间的一个进化过程;通过从进化种群中获得的知识组成知识空间,两空间具有各自群体并独立并行演化,从而实现增加人工鱼群的群体多样性。最后通过数值实例仿真结果表明,本算法具有较高的计算精度和收敛速度。     

一种基于人工免疫原理的混合聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制,提出了一种基于人工免疫原理的混合聚类算法.该算法引入了记忆抗体的分化和抑制机制,可有效地摆脱局部最优点;同时还集成了K-均值搜索算子,用于加快收敛速度.与K-均值方法比较,其具有更快的收敛速度和更高的收敛精度.仿真结果表明,所提算法是有效的.     

基于变异算子的人工鱼群混合算法

把Hooke-Jeeves 模式搜索方法作为人工鱼群算法的一个局部搜索算子,嵌入到带变异算子的人工鱼群算法中,提出一种基于变异算子的人工鱼群混合算法。其中,Hooke-Jeeves的强局部搜索能力提高了人工鱼群混合算法的局部收敛速度,变异算子的引入增加了群体的多样性,避免人工鱼群混合算法陷入局部最优。通过基准函数和实例测试验证,表明了该算法是高效可行的。     

一种新的混合聚类分析算法*

结合人工鱼群算法的全局寻优优点提出了一种基于人工鱼群算法的K-平均混合聚类分析算法。实验结果表明,该算法能克服K-平均聚类算法易陷入局部极小的不足,有较好的全局性,且聚类正确率明显高于K-平均算法,聚类效果更好。     

一种融合免疫接种机制的改进鱼群聚类算法

传统的K-均值聚类方法,在聚类过程中过度依赖初始聚类中心的选择,同时由于全局搜索能力的不足,很难得到精确的聚类中心。鱼群算法在解决优化问题中表现出良好的并行性和全局搜索特性,但由于人为设置参数的影响可能会陷入局部最优。针对聚类问题的特征,将鱼群算法运用到聚类问题中,在使用自适应步长的鱼群算法的基础上,进一步融合免疫接种机制,加强算法对精确解的搜索性能,通过UCI数据集上的实验分析和比较,表明算法具有更好的有效性和稳定性。     

基于人工鱼群算法的动态模糊聚类

针对传统的模糊C-均值(FCM)聚类算法的聚类有效性对空间样本分布的依赖性等缺点,提出了一种新的基于人工鱼群算法的动态模糊聚类。通过引入模糊等价矩阵来表示高维样本之间的相似程度,并将高维样本映射到二维平面。然后利用人工鱼群算法不断优化二维样本的坐标值,使样本之间的欧氏距离向样本间的模糊等价矩阵趋近,最终实现模糊聚类。该方法克服了聚类有效性对高维样本空间分布的依赖性并同时提高了效率。仿真实验结果证明了该算法是有效的,具有聚类速度快、精度高等特点。     

基于人工鱼群算法的协同过滤推荐算法

基于原始人工鱼群算法,提出在觅食行为中保留较优值以替代随机值,在追尾和聚群行为中比较最优值和中心值再作移动行为的选择,在迭代进行中,实现视野的自适应调整.这样改进后的人工鱼群算法应用于协同过滤推荐系统中,实现用户聚类,从而提高协同过滤推荐系统的最近邻查询速度,降低搜索开销.实验测试结果显示了改进的人工鱼群算法具有收敛速度快,稳定性高的特性,且能获得较优的聚类目标值.将改进的人工鱼群算法用于协同过滤推荐算法中,提高了算法的推荐精度.     

基于遗传算法的人工鱼群优化算法

人工鱼群算法(AFSA)是一种高效的群智能全局优化技术.通过对人工鱼群算法(AFSA)不足的研究,在遗传算法的基础上,提出了基于遗传算法的人工鱼群优化算法.该算法保留了人工鱼群算法(AFSA)简单、易实现的特点,同时克服了人工鱼漫无目的的随机游动或在非全局极值点的大量聚集,显著提高了算法的运行效率和求解质量.最后通过大量的函数和实例测试结果表明,与其它算法相比,该算法是可行和有效的,具有运行速度快和求解精度高等特点.     

基于人工鱼群算法的空洞探测

针对目前解决空洞探测算法复杂度高,近似解不能很好地逼近于最优解等问题,提出了一种基于人工鱼群算法解决空洞探测的方法。该方法将每一条鱼视为一个空洞,将理论时间与观测时间的误差作为鱼游动的标准,以鱼群逐渐向空洞实际位置游动对应的误差逐渐变小为基本思想,将在最小误差情况下对应的鱼群位置作为空洞位置。经计算仿真表明,该算法迭代次数少,复杂度低,能很好地逼近于最优解,是一种解决空洞探测的有效算法。     

云人工鱼群算法

借鉴人工鱼群算法的思想,利用云模型云滴的随机性和稳定倾向性的特点,提出了一种新的人工鱼群算法——云人工鱼群算法,并用于求解具有变量边界约束的非线性的复杂函数最优化问题。计算机仿真结果表明,云人工鱼群算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

粒子群和人工鱼群混合优化算法

提出基于粒子群的人工鱼群混合优化算法,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,并成功应用于求解具有变量边界约束的非线性的复杂函数最优化问题和求解复杂化学方程根的问题。仿真结果表明,混合粒子群算法不仅具有较好的全局收敛性能,而且具有较快的收敛速度。