虚拟计算环境下基于模糊聚类的资源调度算法

为了对虚拟计算环境( iVCE)中有资源偏好的应用需求做更精细化的资源调度支撑,提出了基于模糊聚类的资源调度算法。该算法针对应用的资源偏好,使用模糊关联聚类的方法对资源进行处理,进一步缩小了资源的选择范围,降低了直接对原始资源进行聚类的空间复杂度,从而为资源的精细化调度提供了基础。     

改进型云计算VM资源调度方法

针对云计算框架中VM资源调度问题,提出一种改进型云计算VM资源调度方法.首先,将直觉模糊机制和Canopy算法融入传统的模糊c均值聚类算法,设计一种改进型直觉模糊c均值聚类算法,用以完成对用户任务请求进行聚类;其次,设计一种改进型粒子群算法,对云计算中的VM资源进行分配.通过在Cloudsim平台上的仿真实验结果表明,本文方法无论在资源调度效率,还是收敛性效果方面均优于经典调度方法,预期可以作为云计算框架中一种有效的资源调度方案.     

基于模糊聚类的云计算集群资源调度算法

针对现有的云计算集群资源调度算法具有的负载不均衡和在线动态适应能力不强的缺点,提出了一种基于模糊聚类的云计算动态集群资源调度算法。首先,构建了云计算环境下的资源调度模型。然后采用模糊聚类对云计算集群资源进行聚类,根据节点与所有聚类中心的距离判断是否需要增减聚类数量。当新任务到来时,自动计算其到各个聚类中心的距离,将具有最小聚类距离的聚类中心分配给该任务。在Cloudsim环境下进行仿真试验,结果表明该方法能有效地实现云计算集群资源的动态调度,且较其它方法相比,具有反应实时和负载均衡的优点,是一种适合云计算环境的可行任务调度方法。     

抑制式模糊C-均值聚类研究综述

模糊C-均值聚类及其各种变形和推广在实际应用中取得了巨大成就,获得了国际学者的广泛认可。目前,国际上形成了以硬C-均值聚类、模糊C-均值聚类、可能性C-均值聚类为基础的三大聚类算法簇。抑制式模糊C-均值聚类算法架起了连接硬C-均值聚类算法和模糊C-均值聚类算法的一个桥梁,本文就抑制式模糊C-均值聚类的研究现状进行综述,以期对该算法的更深入研究和应用起到推动作用。     

基于模糊c均值算法文档聚类问题的研究

应用模糊C均值算法对文档进行分类,具有不使用语法知识、不使用词法规则、无监督等特点.采用模糊c均值算法对文档进行聚类,实验结果表明:该方法优于普通的聚类算法,聚类结果能充分体现文本的多样性.     

基于小生境遗传算法的网格节点资源研究

针对解决网格节点资源聚类问题，提出了基于小生镜遗传算法的模糊聚类分析方法。该算法把小生镜遗传算法搜索的随机性和并行性引入模糊聚类中，对模糊聚类中的聚类中心的个数和聚类中心的选取进行指导，解决了模糊C均值聚类对初始聚类中心的敏感性问题、实验证明该方法能具有全局收敛性，克服了FCM算法可能陷入局部极小值，并有效地对网格节点资源整合归类，从而改善网格节点资源发现的性能。     

基于蚁群及空间邻域信息的FCM图像分割方法

针对模糊C均值(FCM)聚类算法聚类个数难以确定、搜索过程易陷入局部最优的缺陷,把蚁群算法与改进的FCM聚类算法相结合,提出了一种基于蚁群算法的带有空间邻域信息的模糊C均值聚类图像分割算法.首先利用分水岭算法对图像进行初始分割,然后利用蚁群算法寻优,求得聚类中心和聚类个数,将其作为模糊C均值聚类的初始聚类中心和聚类个数进行模糊聚类.实验结果表明:由于聚类样本数量显著减少,很大程度上提高了聚类速度和抗噪能力,增强了算法的鲁棒性.     

基于弹性碰撞优化算法的传感云资源调度

针对当前智能优化算法普遍存在收敛精度不高、容易“早熟”的缺陷,提出全新的智能优化算法-弹性碰撞优化（ECO）算法.算法基于弹性碰撞物理学现象,通过模拟碰撞过程中物理属性相互影响的变化过程,抽象出“与种群最优碰撞”、“与自身历史最优碰撞”和“随机碰撞”3种粒子更新机制.为了有效提升复杂高维优化问题的寻优能力,设计自适应核模糊C-均值聚类（AKFCM）算法,利用AKFCM对ECO种群进行聚类分析,通过迭代比对策略实现种群自动最佳聚类划分,确保粒子学习对象的合理性与多样性.种群样本多样性定量分析表明ECO在运算后期具有较好的种群多样性.将ECO应用于传感云资源调度问题,为了满足传感云系统管理多样性需求,构建多目标优化传感云资源调度模型,设计符合调度问题的ECO粒子编码方式,实现传感云资源高效率调度优化.多维复杂测试函数以及传感云资源调度实例仿真结果表明,ECO具有较高的收敛精度和成功率,有效降低了传感云资源调度的能耗和任务长度.     

改进的DBSCAN聚类算法在云任务调度中的应用

针对云计算环境中任务调度中存在的执行效率低的问题,提出了一种基于改进的基于密度的聚类算法(DB-SCAN)的云任务调度策略.首先使用改进的基于密度的聚类算法DBSCAN对云任务进行聚类,然后与已经分类的资源进行匹配,解决资源与任务匹配程度低的问题.实验结果表明,对任务进行聚类后进行任务调度,任务在终端上的平均执行时间减少了大约35.2％,任务的调度时间也有了明显减少.     

模糊C-均值聚类算法改进研究

通过对模糊C-均值聚类算法的研究,用遗传算法的相关知识对其进行优化与改进.并使用著名的IRIS数据集分别对传统的模糊C-均值聚类算法和用遗传算法改进后的模糊C-均值聚类算法进行测试、比较.实验结果表明,用遗传算法改进后的模糊C-均值聚类算法比传统的模糊C-均值聚类算法更加准确、高效.这将为以后的聚类分析研究工作提供一定的帮助.     

一种零件分组方法的研究

为了解决零件分组中各特征的重要性和分组数目难以确定的难题,提出了一种用可调节的权重系数向量和改进的ISODATA模糊聚类算法来实施零件分组的方法.根据零件分组特征的重要性合理调节权重系数向量,用该向量修正ISODATA模糊聚类算法中的零件特征矩阵,在算法运行结束后计算聚类中心的模糊距离,将距离小于设定阈值的类别合并为一组.用VB开发了一个零件分组系统,采用该分组方法在系统上进行反复实验和比较,结果与人们的分组偏好和习惯一致,验证了分组方法的有效性和可靠性.     

基于模糊C-均值的模糊时间序列模型

将模糊C-均值聚类算法引入到模糊时间序列模型,提出了一个新的模糊预测模型.该模型首先将观察的时间序列转化为w维的时间序列数据集,然后利用FCM算法对构造的时间序列数据集进行聚类,最后根据聚类结果进行预测,并将其应用到中国的能源预测中,实验结果表明了该模型的可行性和有效性.     

模糊K-Harmonic Means聚类算法

对K-Harmonic Means算法进行扩展,考虑到数据点对不同类的隶属关系,将模糊的概念应用到聚类中,提出了模糊K-Harmonic Means算法,推导出聚类中心和模糊隶属度的迭代公式．在中心迭代聚类算法统一框架的基础上,推导出FKHM算法聚类中心的条件概率表达式以及在迭代过程中的数据加权函数表达式．最后,用Folkes & Mallows指标对聚类结果进行评价．实验表明,模糊K-Harmonic Means(KHM)算法在聚类对于初值不敏感的同时提高了聚类结果的精确度,达到较好的聚类效果．     

二阶段模糊聚类方法研究

针对当前聚类方法存在的缺点,提出一种高效的高维数据硬划分算法,在此基础上提出了一种分阶段模糊聚类方法.第一阶段,利用硬划分算法对数据聚类,克服了模糊聚类算法对初始值敏感的缺点.第二阶段,以第一阶段运算结果作为初始值,进行模糊聚类的,并将模拟退火算法引入模糊聚类,从而保证了聚类结果的全局最优性.实验结果表明,该方法是可行的、有价值的.     

基于蚁群模糊聚类算法的图像边缘检测

提出了一种基于蚁群动态模糊聚类算法的图像边缘检测,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足.两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的目标函数聚类分析.最后将该算法应用到图像边缘检测,对比实验表明,该算法具有很强的模糊边缘和微细边缘检测能力.     

增量式模糊C有序均值聚类算法

针对传统聚类算法难以处理大规模数据和对噪声数据敏感等问题,基于模糊C有序均值聚类算法（FCOM）,结合single-pass和online增量架构,分别提出了single-pass模糊C有序均值聚类算法（SPFCOM）和online模糊C有序均值聚类算法（OFCOM）.SPFCOM和OFCOM算法首先对FCOM算法加权,然后以数据块为单位对数据集合进行增量式处理.实验结果表明,相较于对比算法,SPFCOM和OFCOM算法在聚类准确率方面得到了提高,还具有更强的鲁棒性.     

二型模糊系统在音频信号分类中的应用

针对数字音频信号分类问题提出了基于二型模糊集合理论的C均值聚类算法,并在此基础上应用跳跃基因遗传算法对聚类得到的初始模糊模型进行优化,最后采用向量相似性测度准则对优化后的模糊规则集合进行简化,得到最终的模糊分类器模型。与传统的一型模糊集合相比,二型模糊集合可以掌控更多的不确定性信息。基于二型模糊集合理论的C均值聚类算法对样本分布不均匀、结构不规则的样本集的聚类效果更精确。实例仿真结果对比显示,应用二型模糊C均值聚类算法的音频信号分类器比应用一型模糊C均值聚类算法的分类器得到的分类结果更准确。     

FCM算法中参数确定方法的探讨

模糊c-均值(FCM)算法是目前应用最为广泛的一种模糊聚类算法,但其中的两个重要参数模糊加权指数m和聚类的分类数c在进行聚类分析前必须给出恰当的赋值,否则将直接影响FCM算法的分类效果.本文就这两个参数的确定方法进行了一定的探讨.     

混合模糊谱系聚类算法

针对模糊C-均值聚类算法对聚类数预先不可知和谱系聚类所具有的缺陷,提出了混合模糊谱系聚类算法,该算法结合模糊聚类和谱系聚类,自动确定聚类数目,并可以有效的对数据进行聚类．实验表明,该算法具有良好的有效性和可行性．     

聚类算法的GPS静态单点定位方法

为有效提高GPS静态单点定位的精度,提出了一种基于模糊聚类算法和卡尔曼滤波算法的组合优化方法.该方法首先对GPS实测数据进行卡尔曼滤波,消除波动较大的数据,然后应用模糊C-均值聚类算法寻求聚类中心,以该聚类中心为最终定位坐标.实验结果表明,该组合优化定位方法在降低定位成本的同时,可以有效提升GPS静态单点定位精度,采用该方法得到的定位坐标更接近于真实的地理坐标.