基于差分演化的K-均值聚类算法

传统的K-均值算法,因对初始聚类中心的选择敏感,存在容易陷入局部最优解的缺点,差分演化算法是一类基于种群的启发式全局搜索技术,对于实值参数的优化具有很强的鲁棒性。为了克服K－均值聚类算法的上述缺点,提出基于差分演化的K-均值聚类算法,该方法结合K－均值算法的高效性和差分演化算法的全局优化能力,较好地解决了聚类中心优化问题。通过实验结果表明,此算法能够有效改善聚类质量。     

求解约束优化的一个自适应杂交差分演化算法

结合基于可行性规则的约束处理技术,构造了一个求解约束优化问题的自适应杂交差分演化模拟退火算法。该算法以差分演化算法为基础,用模拟退火策略来增强种群的多样性,用一个基于可行性规则的约束处理技术来处理不等式约束,且自适应化关键控制参数,避开人为控制参数的困难。在标准测试集上的实验结果表明该算法的有效性,与同类算法的比较表明了该算法的优越性。     

基于模拟退火的混合差分演化算法研究

介绍了一种求解函数优化问题的新策略--差分演化算法,与其它算法相比,该算法具有稳健性强,收敛速度快的优点;同时,把模拟退火策略融入到差分演化的过程中,提出了一个混合演化算法--基于模拟退火的混合差分演化算法,实验表明混合后的算法比单一的差分演化算法更稳健,收敛速度也略有提高.     

一种基于差分演化的K-medoids聚类算法

针对传统的K-medoids聚类算法具有对初始聚类中心敏感、全局搜索能力差、易陷入局部最优、收敛速度缓慢等缺点,提出一种基于差分演化的K-medoids聚类算法。差分演化是一类基于种群的启发式全局搜索技术,有很强的鲁棒性。将差分演化的全局优化能力用于K-medoids聚类算法,有效地克服了K-medoids聚类算法的缺点,缩短了收敛时间,改善了聚类质量。通过仿真验证了此算法的稳定性和鲁棒性。     

半监督的改进K-均值聚类算法

K-均值聚类算法必须事先获取聚类数目,并且随机地选取聚类初始中心会造成聚类结果不稳定,容易在获得一个局部最优值时终止。提出了一种基于半监督学习理论的改进K-均值聚类算法,利用少量标签数据建立图的最小生成树并迭代分裂获取K-均值聚类算法所需要的聚类数和初始聚类中心。在IRIS数据集上的实验表明,尽管随机样本构造的生成树不同,聚类中心也不同,但聚类是一致且稳定的,迭代的次数较少,验证了该文算法的有效性。     

面向差分隐私保护的聚类算法

大数据时代的数据挖掘技术在研究和应用等领域取得了较大发展,但大量敏感信息披露给用户带来了众多威胁和损失。因此,在聚类分析过程中如何保护数据隐私成为数据挖掘和数据隐私保护领域的热点问题。传统差分隐私保护k-means算法对其初始中心点的选择较为敏感,而且在聚簇个数k值的选择上存在一定的盲目性,降低了聚类结果的可用性。为了进一步提高差分隐私k-means聚类方法聚类结果的可用性,研究并提出一种新的基于差分隐私的DPk-means-up聚类算法,同时进行了理论分析和比较实验。理论分析表明,该算法满足ε-差分隐私,可适用于不同规模和不同维度的数据集。此外,实验结果表明,在相同隐私保护级别下,与其他差分隐私k-means聚类方法相比,所提算法有效提高了聚类的可用性。     

基于差分演化的K-means算法在肝脏疾病中的应用

传统的K-均值算法依赖于初始聚类中心的选取,使聚类结果只能收敛于局部最优解;差分演化算法是一类利用随机偏差扰动产生新个体的方式获得非常好的收敛性的结果。为了克服K-均值聚类算法的上述缺点,该文提出基于差分演化的K-均值聚类算法,新算法结合K-均值算法的高效性和差分演化算法的全局优化能力,较好地解决了聚类中心优化问题。实验证明,此算法能够有效改善聚类质量。以肝功能疾病为例对新方法在医学中的应用进行了探讨。     

聚类问题的蚁群算法

文章建立了聚类分析问题模型,分析了K-均值算法、模拟退火算法和蚁群算法的优缺点,结果表明蚁群算法比较有效。     

基于模拟退火的K调和均值聚类算法

K均值算法是最通用的划分聚类算法,然而它有高度依赖初始值和收敛于局部最小的缺点,K调和均值算法采用数据点与所有聚类中心的距离的调和平均替代了数据点与聚类中心的最小距离,解决了K均值算法对初值敏感的问题。这样虽然解决初始值敏感问题,局部最小收敛问题仍然存在。为了获得全局最优解,提出一种新的算法：基于模拟退火算法的K调和均值聚类。该算法将一种优秀的随机搜索算法——模拟退火算法引入K调和均值聚类,来解决局部最小收敛的问题,并将改进后的算法用于IRIS数据集的聚类分析,聚类结果与K均值算法结果对比,证明了改进算法的优越性。     

基于差分演化算法的软子空间聚类

软子空间聚类算法的性能主要取决于其目标函数和搜索策略.文中提出了一种基于差分演化算法的软子空间聚类算法DESC.首先,设计了一个结合模糊加权类内相似性和界约束权值矩阵的新目标函数.然后,提出了新的隶属度计算方法.最后,引入了一种有效的全局搜索算法——复合差分演化算法,并运用该算法优化新目标函数和搜索子空间中的聚类.实验表明,新目标函数和复合差分演化算法的引入有效地提高了软子空间聚类算法的性能,新算法较已有软子空间聚类算法有明显优势.     

基于小生境的混合差分演化模拟退火算法

提出了一种新的演化算法——基于小生境的混合差分演化-模拟退火算法(NDESA算法),分析了构造NDESA算法的合理性。并且结合典型多峰值测试函数——Shubert函数的求解试验,说明NDESA算法能够高效地、快速地找到具有多个全局最优值点的多峰函数的所有全局最优值点,且参数的选择不必很严格,是一种较好地求解多峰值函数的所有最优值点的方法。还通过实验说明了结合小生境,差分演化和模拟退火算法这三种策略的必要性。     

基于混合遗传模拟退火算法求解TSP问题

TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止“早熟”收敛的问题。针对上述问题并结合TSP问题的特点,提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法。为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群。仿真实验结果证明,该算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高。     

基于模拟退火遗传算法的关联规则挖掘

将模拟退火遗传算法加以改进,应用于关联规则挖掘,提出一种新的基于改进的模拟退火遗传算法的关联规则挖掘算法,并在该算法中,采用自适应方式动态选取交叉和变异概率,有效地抑制了早熟收敛现象,实验结果显示该方法能高效地解决关联规则挖掘问题。     

基于策略自适应的多目标差分进化算法及其应用

为提高多目标差分进化算法求解多目标优化问题的能力,提出一种基于策略自适应的多目标差分进化算法（multi-objective differential evolution algorithm based on self-adaptive strategy,MODE-SS）。该算法采用超体积（hyper-volume,HV）对变异策略进行性能评价,并实现变异策略的自动选择;使用动态调整的二项式交叉策略和模拟二进制交叉（simulated binary crossover,SBX）策略实现全局搜索与局部搜索的平衡。通过与其他六种多目标进化算法在10个测试函数上的性能比较,结果表明MODE-SS算法的整体性能要好于其他所比较算法。最后,将MODE-SS算法用于求解海铁联运能耗优化问题,所得结果能够为决策者提供多种可行方案。     

基于模拟退火粒子群算法的FCM聚类方法

针对模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于模拟退火粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力和模拟退火算法跳出局部极值的能力,克服了模糊C-均值聚类算法的不足。实验表明,该算法有很好的全局收敛性,能够较快地收敛到最优解。     

基于混合模拟退火算法的机场进场程序优化

针对人工设计机场进场程序耗时较长且很难定量优化路径长度的问题,提出多条进场程序的三维自动优化设计方法.首先,根据区域导航规范(RNAV)对进场程序的几何构型及汇聚结构进行建模;然后,综合考虑机场布局以及障碍物规避、航路间隔等航空器运行约束,以最小化进场程序总长度为目标,建立了完整的数学模型;最后,开发了基于模拟退火算法...     

基于模拟退火算法的多阈值图像分割*

针对多阈值图像分割时Otsu算法计算量过大的问题,提出基于模拟退火算法的阈值选取方法。首先依据最大类间方差准则,通过对直方图分析处理得到初始阈值向量,然后将该阈值向量作为初始解,利用改进的模拟退火算法逼近最优阈值向量。较之Otsu算法,该算法的计算量大幅减小,如实验中对图像的三阈值分割,运行效率提高了400多倍。结果表明,该算法能够快速、准确地实现多阈值图像分割。     

基于快速自适应差分进化算法的电力系统经济负荷分配

提出一种求解复杂电力系统经济负荷分配问题的快速自适应差分进化算法(FSADE).从矢量运算角度对变异算子进行分析,提出了一种改进的变异算子,大大提高了算法的收敛速率.根据个体的进化过程,引入自学习机制,对个体的变异和交叉概率常数进行自适应地调整,提高了算法的鲁棒性.3个不同规模的算例仿真结果表明,与其他4种典型智能优化算法相比, FSADE具有更好的计算精度和计算速度,是一种求解电力系统经济负荷分配问题的有效方法.