一种自适应步长布谷鸟搜索算法

针对布谷鸟搜索算法（CS）后期收敛速度慢、计算精度不高等不足,提出了一种自适应步长调整布谷鸟搜索算法,加快布谷鸟搜索算法的搜索速度,提高其计算精度。通过8个标准测试函数测试的结果表明,改进后的自适应步长布谷鸟搜索算法具有较快的收敛速度和较高的寻优精度。     

自适应布谷鸟搜索的并行K-means聚类算法*

针对K-means聚类算法受初始类中心影响,聚类结果容易陷入局部最优导致聚类准确率较低的问题,提出了一种基于自适应布谷鸟搜索的K-means 聚类改进算法,并利用MapReduce编程模型实现了改进算法的并行化。通过搭建的Hadoop分布式计算平台对不同样本数据集分别进行10次准确性实验和效率实验,结果表明：(1)聚类的平均准确率在实验所采用的4种UCI标准数据集上,相比原始K-means聚类算法和基于粒子群优化算法改进的K-means聚类算法都有所提高;(2) 聚类的平均运行效率在实验所采用的5种大小递增的随机数据集上,当数据量较大时,显著优于原始K-means串行算法,稍好于粒子群优化算法改进的并行K-means聚类算法。可以得出结论,在大数据情景下,应用该算法的聚类效果较好。     

自适应调整的布谷鸟搜索K-均值聚类算法*

针对布谷鸟搜索(CS)算法后期收敛速度慢,传统K-均值算法对初始簇中心选择比较敏感,提出了一种自适应调整的布谷鸟搜索及优化初始K-均值聚类算法(CSSA-OIKM)。首先,由“集群度”与距离均衡优化选择初始簇中心。其次,融合粒子群算法思想,遵循自适应优化学习策略以均衡CS算法全局与局部精细搜索能力。最后,在改进CS算法的基础上引入自适应度调节步长因子与动态变化发现概率,增强算法收敛性能。通过对经典数据集的仿真实验分析,相比K-均值算法、PSO-K-均值算法及CS-K-均值算法来说,提出的CSSA-OIKM算法能有效提高聚类精确性,且算法稳定性好。     

基于改进布谷鸟优化的模糊聚类图像分割

模糊C均值聚类算法(FCM)是一种应用非常广泛的聚类算法,但是它受初始聚类中心影响较大,容易陷入局部最优。 在标准布谷鸟算法(CS)的基础上 提出改进布谷鸟优化算法(ICS),将发现概率P由固定值转变成随迭代次数逐渐减小的变量,这样不仅可以提高搜索种群的质量,而且保证了算法的收敛。因此,可以将改进布谷鸟优化算法用于FCM算法聚类中心生成的过程(ICS_FCM),从而有效地避免FCM陷入局部最优。改进的算法具有良好的聚类效果和运行速度。实现基于改进布谷鸟优化的FCM图像分割,并与基于模拟退火的FCM算法(SA_FCM)进行对比。由实验结果可知,该算法(ICS_FCM)不仅取得了较好的分割效果,效率上也有明显的提高。     

自适应布谷鸟搜索算法

为了使布谷鸟搜索算法(Cuckoo Search,CS)在保持强大的全局搜索能力的同时,尽可能地提高局部搜索能力,在深入分析CS算法机理的基础上,将CS算法中影响布谷鸟搜索路径步长的参数β和布谷鸟蛋被发现(淘汰)的概率p_a由固定值改为随搜索过程自适应变化的动态参数,将越界的鸟窝折返回边界内、在当前代最优鸟窝附近的区域随机建立1个新的鸟窝、而非折返回边界上重新建立鸟窝,以提高算法的局部搜索能力和收敛速度。改进后的CS算法称为自适应布谷鸟搜索算法(Adaptive Cuckoo Search,ACS)。通过8个标准测试函数分别测试了CS算法和ACS算法的性能,结果表明,无论是简单的单峰函数还是复杂的多峰函数,无论是小型的低维函数还是大型的高维函数,ACS算法的寻优性能均超过CS算法。     

混合引力搜索与高斯扰动的精英布谷鸟算法

针对布谷鸟算法（CS）的不足,提出了混合引力搜索与高斯扰动的精英布谷鸟搜索算法（GGECS）。该算法提出了自适应控制策略,将布谷鸟算法中的步长因子和发现概率进行动态地调整,并使用帕累托法则进行精英分类,分别对属于不同类别的鸟巢进行引力搜索和高斯扰动,从而提高算法的种群多样性,避免算法陷入局部最优解,提高了算法的寻优精度和收敛速度。使用8个标准测试函数进行仿真实验。结果表明,该算法较CS和ICS算法具有更好的全局搜索能力,其测试函数最优解也更为接近最优解的理论值。     

一种新的自适应布谷鸟搜索算法

为提高布谷鸟搜索(cuckoo search)算法(CS)的局部与全局搜索能力和收敛速度,提出了一种新的自适应布谷鸟算法。在该算法中,提出一种自适应参数控制策略来动态地调整CS中的步长因子,以增强CS的搜索性能。另外,把类似差分进化算法变异策略引入到CS中,以进一步提高CS的种群多样性。仿真实验表明,改进的CS算法的优化性能得到了明显改善。     

多策略调和的布谷鸟搜索算法

布谷鸟搜索（CS）算法是一种新型的群智能算法,结构简单且寻优能力较强,但存在勘探与开采不平衡以及易陷入局部极值的问题。提出一种多策略调和的布谷鸟搜索（MSRCS）算法,基于概率规则选择由自适应步长和改进解更新方法组成的调和策略对布谷鸟个体进行更新,其中自适应步长引导布谷鸟在更好的方向上寻优,3种改进的解更新方法分别从自身邻域、当前最优个体和随机位置3个角度对勘探和开采进行调和,从而提升全局搜索和局部搜索在迭代过程中的适应性。在CEC2013测试集的28个基准函数上的实验结果表明,MSRCS算法至少有12个测试函数优于原始CS及其7种改进算法且排名第一,在求解单峰、多峰和组合函数问题时寻优能力更强,同时相比于3种经典群智能优化算法具有更快的收敛速度和更高的解精度。     

一种自适应惯性权重的并行粒子群聚类算法

针对K-means聚类算法和基于遗传（GA）的聚类算法的一些缺点,及求解实优化问题时粒子群算法优于遗传算法这一事实,提出了一种自适应惯性权重的并行粒子群聚类算法。理论分析和实验表明,该算法在收敛速度和收敛精度方面明显优于基于遗传算法的聚类方法。     

改进的布谷鸟搜索算法及其在多效蒸发优化中的应用

为了全面提升布谷鸟搜索算法(CS)的性能,提出了一种改进的布谷鸟搜索算法(MCS)。MCS算法采用了能大幅提高局部搜索能力的局部搜索策略、能使步长控制因子随算法进程由大到小自适应变化的自适应策略和能加强布谷鸟个体间信息交流的学习策略。2个标准测试函数被用于检验算法的性能,性能测试结果及对比试验表明,MCS算法在继承了CS算法强大的全局寻优能力的同时,具有更快的收敛速度、更高的收敛精度和更好的鲁棒性。最后,将MCS算法应用于求解多效蒸发系统的优化设计问题,优化效果显著。     

混沌布谷鸟搜索算法在谐波估计中的应用

针对布谷鸟搜索（CS）算法存在后期收敛速度慢、计算精度不高和陷入局部最优等缺点,提出了混沌布谷鸟（CCS）算法。首先,通过混沌理论初始化种群来增加种群多样性;然后,对局部最优值引入混沌扰动算子来跳出早熟收敛,提高计算精度,进而完成全局优化。对4个单目标基准函数进行仿真测试,对比最优值、最差值、平均值、中位数值及标准差值,结果表明,基于CCS算法比CS算法有更快的收敛速度和更高的收敛精度。在电力系统中谐波问题成分引起电流波形畸变,电网不稳定。精确分析谐波成分是解决谐波污染的重要前提。将性能更好的CCS算法应用于谐波估计,通过比较估计均值及标准偏差,结果显示在分析谐波电流时CCS算法相比粒子群优化（PSO）算法具有更好的性能。     

Hybridization of Chaos and Flower Pollination Algorithm over K-Means for data clustering

Classical clustering algorithms like K-means often converge to local optima and have slow convergence rates for larger datasets. To overcome such situations in clustering, swarm based algorithms have been proposed. Swarm based approaches attempt to achieve the optimal solution for such problems in reasonable time. Many swarm based algorithms such as Flower Pollination Algorithm (FPA), Cuckoo Search Algorithm (CSA), Black Hole Algorithm (BHA), Bat Algorithm (BA) Particle Swarm Optimization (PSO), Firefly Algorithm (FFA), Artificial Bee Colony (ABC) etc have been successfully applied to many non-linear optimization problems. In this paper, an algorithm is proposed which hybridizes Chaos Optimization and Flower Pollination over K-means to improve the efficiency of minimizing the cluster integrity. The proposed algorithm referred as Chaotic FPA (CFPA) is compared with FPA, CSA, BHA, BA, FFA, and PSO over K-Means for data clustering problem. Experiments are conducted on sixteen benchmark datasets. Algorithms are compared on four different performance parameters — cluster integrity, execution time, number of iterations to converge (NIC) and stability. Results obtained are analyzed statistically using Non-parametric Friedman test. If Friedman test rejects the Null hypothesis then pair wise comparison is done using Nemenyi test. Experimental Result demonstrates the following: (a) CFPA and BHA have better performance on the basis of cluster integrity as compared to other algorithms; (b) Prove the superiority of CFPA and CSA over others on the basis of execution time; (c) CFPA and FPA converges earlier than other algorithms to evaluate optimal cluster integrity; (d) CFPA and BHA produce more stable results than other algorithms.     

基于K-means的改进人工蜂群聚类算法

针对K-means聚类算法对初始聚类中心敏感和易陷入局部最优解的缺点,提出一种基于K-means的人工蜂群(ABC)聚类算法。将改进的人工蜂群算法和K-means迭代相结合,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过基于反向学习的初始化策略,增强了初始群体的多样性。利用非线性选择策略,改善了过早收敛问题,提高了搜索效率。通过对邻域搜索范围的动态调整,提高了算法收敛速度,增强了局部寻优能力。实验结果表明,该算法不仅克服了K-means算法稳定性差的缺点,而且具有良好的性能和聚类效果。     

融合布谷鸟搜索和K均值算法的入侵检测方案

针对传统K均值聚类算法全局搜索能力差、需要设定初始聚类个数等问题,提出一种结合新型布谷鸟搜索（CS）算法和自适应K均值算法的入侵检测模型(NCS-AKM),为提高布谷鸟搜索算法的种群多样性,引入类似差分进化策略有选择地对种群进行变异重组。利用KDD Cup99数据集构造训练数据和包含4个阶段的在线测试数据,在第3、4阶段分别引入新的攻击。结果表明,该检测模型能够准确地识别出新入侵,对测试集中4种攻击类型的总体检测率高达83.4%（各阶段：70.8%~89.9%）,误报率为6.3%（各阶段：3.0%~11.5%）,具有较高的检测性能和具有说服力的聚类结果。     

基于MapReduce框架下K-means的改进算法

针对海量数据背景下K-means聚类结果不稳定和收敛速度较慢的问题,提出了基于MapReduce框架下的K-means改进算法。首先,为了能获得K-means聚类的初始簇数,利用凝聚层次聚类法对数据集进行聚类,并用轮廓系数对聚类结果进行初步评价,将获得数据集的簇数作为K-means算法的初始簇中心进行聚类;其次,为了能适应于海量数据的聚类挖掘,将改进的K-means算法部署在MapReduce框架上进行运算。实验结果表明,在单机性能上,该方法具有较高的准确率和召回率,同时也具有较强的聚类稳定性;在集群性能上,也具有较好的加速比和运行速度。     

多资源均衡优化的布谷鸟算法

针对标准多目标布谷鸟算法(CSA)后期收敛速度慢、收敛精度不高的缺陷,提出一种求解多资源均衡优化问题的改进多目标布谷鸟算法。首先,引入非均匀变异算子,以均衡算法的全局搜索能力和局部寻优能力;然后,引进差分进化算子,促进群体间的合作和信息交流,提高算法的收敛精度。通过算例测试表明,改进的多目标布谷鸟算法比标准多目标算法和VEPSO-BP算法具有更好的全局收敛性。     

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。     

基于密度峰值优化的模糊C均值聚类算法

针对传统模糊C均值聚类算法和基于K-means++优化聚类中心的模糊C均值算法存在初始聚类中心敏感、聚类速度收敛慢、聚类算法需要人为给定聚类数目等缺陷,受密度峰值聚类算法（Clustering by Fast Search and Find of Density Peaks,CFSFDP）的启发,提出了基于密度峰值算法优化的模糊C均值聚类算法,自适应产生初始聚类中心,确定聚类数目,并优化算法收敛过程。实验结果表明,改进后的算法与传统模糊聚类C均值算法相比能够准确地得到簇的数目,性能有明显的提高,并加快算法的收敛速度,达到相对更好的聚类效果。     

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。     

发现概率参数自适应调节的布谷鸟改进算法

布谷鸟搜索算法（CS）是一种受生物启发的新型群智能优化算法。针对CS算法在搜索后期收敛速度慢并且寻优能力弱的问题,提出一种发现概率参数自适应调节的布谷鸟改进算法（APCS）。首先利用Pareto最优解计算出状态判别参数[Ps],其次通过探索-开发平衡状态计算出平衡参数[Peb],最终实现鸟蛋的被发现概率[Pa]的自适应动态调整。最后通过8个基准函数对两种算法的性能在10维和30维的情况下分别进行了对比与分析,结果表明,APCS算法的收敛速度、寻优能力、稳定性和计算时间都优于CS算法。